Ottimizzazione Intelligente delle Infrastrutture di Ricarica per VE
L’era della mobilità elettrica è in pieno svolgimento, e mentre milioni di veicoli elettrici (VE) invadono le strade delle città, l’attenzione si sta spostando dal semplice acquisto di auto elettriche alla complessa sfida della gestione dell’infrastruttura che le sostiene. La domanda di ricarica è in crescita esponenziale, e con essa il rischio di congestionare le reti elettriche locali, creare code alle stazioni di ricarica e vanificare gli investimenti in impianti sottoutilizzati. Un nuovo studio, pubblicato sulla prestigiosa rivista Electrical Measurement & Instrumentation, offre una risposta sofisticata a questa sfida, proponendo un modello di ottimizzazione collaborativa che tiene conto di un aspetto spesso trascurato: non tutti i veicoli elettrici sono uguali.
La ricerca, condotta da Pang Songling e Zhao Hailong dell’Istituto di Ricerca Elettrica di Hainan Power Grid Co., Ltd. in collaborazione con Zhang Chenjia del Laboratorio Smart Grid delle Isole Tropicali, sfida l’approccio tradizionale di “taglia unica” alla pianificazione delle stazioni di ricarica. Invece di trattare tutti i VE come un gruppo omogeneo, il team ha sviluppato un framework che analizza e sfrutta le differenze fondamentali nei modelli di utilizzo tra diversi tipi di veicoli—dai bus pubblici ai taxi, dai veicoli governativi alle auto private—per progettare una rete di ricarica più efficiente, economica e sostenibile.
Il cuore del problema, come evidenziato nello studio, è che i veicoli elettrici hanno esigenze di ricarica radicalmente diverse. Un autobus elettrico, ad esempio, percorre migliaia di chilometri ogni giorno su un itinerario fisso, accumulando un’usura notevole. La sua batteria, spesso da 300 kWh, si svuota rapidamente e richiede ricariche rapide e frequenti, spesso durante brevi pause nei capolinea o nei depositi. La sua priorità assoluta è la velocità di ricarica per minimizzare i tempi di inattività e mantenere il servizio in orario.
I taxi, un’altra categoria di veicolo ad alta intensità operativa, condividono la necessità di percorrere lunghe distanze, ma con un programma molto più imprevedibile. Non sono vincolati a una rotta fissa e devono essere pronti a muoversi in qualsiasi momento. Il loro bisogno di ricarica è “opportunista”: devono poter trovare una stazione di ricarica rapida vicina quando la batteria scende, senza dover fare deviazioni lunghe che riducono i guadagni. Per un tassista, ogni minuto trascorso a ricaricare è un minuto in cui non si guadagna, rendendo la disponibilità e la velocità delle stazioni di ricarica un fattore critico per la redditività.
I veicoli governativi, al contrario, hanno un utilizzo più moderato e prevedibile. Spesso percorrono distanze limitate per spostamenti tra uffici o per missioni specifiche. La loro strategia di ricarica è idealmente notturna, quando il veicolo è parcheggiato in un’area di servizio dedicata. Qui, un caricatore lento da 5 kW è perfettamente adeguato, economico da installare e sfrutta al meglio le tariffe elettriche più basse delle ore notturne, contribuendo a livellare la domanda sulla rete.
Infine, gli automobilisti privati rappresentano il gruppo più eterogeneo. Alcuni possiedono un VE come seconda auto per brevi tragitti quotidiani e possono ricaricarlo comodamente a casa durante la notte. Altri, con un’unica auto elettrica, intraprendono viaggi più lunghi e dipendono fortemente da una rete di ricarica rapida accessibile lungo le autostrade e nei centri urbani. Le loro esigenze variano enormemente in base allo stile di vita, al luogo di lavoro e alle abitudini di guida.
Ignorare queste differenze fondamentali e pianificare la rete di ricarica come se tutti i veicoli fossero identici porta a inefficienze costose. Installare troppi caricabatterie lenti in un’area commerciale con un alto flusso di taxi e veicoli commerciali creerebbe code interminabili. Allo stesso modo, costruire stazioni di ricarica rapida in un quartiere residenziale con solo auto private che ricaricano a casa sarebbe uno spreco di denaro e risorse. Il modello proposto da Pang, Zhao e Zhang affronta esattamente questo problema, utilizzando le caratteristiche specifiche di ciascun segmento per guidare la pianificazione.
Il loro approccio si basa su un modello di ottimizzazione multi-obiettivo. L’obiettivo principale è massimizzare il ritorno sull’investimento (ROI) per le stazioni di ricarica in una determinata area. Questo obiettivo finanziario, cruciale per attirare investimenti pubblici e privati, è bilanciato con una serie di vincoli pratici e tecnici. Il modello integra sofisticati algoritmi per calcolare il tempo di attesa effettivo, applicando la teoria delle code per simulare scenari reali in cui più veicoli competono per un numero limitato di connettori. Questo permette di prevedere i colli di bottiglia e di ottimizzare il mix di caricabatterie rapidi e lenti per ogni località.
Uno degli indicatori chiave introdotti nello studio è la “non disponibilità di ricarica”. Questo concetto va oltre la semplice ricerca di una stazione libera; misura il numero di utenti che, pur avendo bisogno di ricaricare, non possono raggiungere una stazione perché la loro batteria non ha abbastanza energia residua per completare il tragitto. Questo fenomeno è la radice dell'”ansia da autonomia” e un ostacolo significativo all’adozione dei VE. Il modello tiene conto di questo rischio, assicurando che la rete sia progettata per essere accessibile anche nei momenti di bassa carica.
Il modello considera anche il costo dell’effettiva risposta alla domanda (Demand Response). Questo meccanismo economico incentiva gli utenti a spostare la ricarica fuori dalle ore di punta, quando la rete è sotto stress, offrendo loro tariffe scontate o pagamenti diretti. Il modello calcola non solo il costo del compenso per la risposta, ma anche le penalità per i mancati impegni, creando un sistema di incentivi preciso e affidabile che aiuta a livellare il carico sulla rete elettrica, evitando costose potenziamenti.
Per testare la validità del loro approccio, i ricercatori hanno condotto una simulazione su due aree commerciali di una città dimostrativa. Utilizzando il software MATLAB, hanno analizzato dati di utilizzo reali, tariffe elettriche e proiezioni di crescita. I risultati sono stati illuminanti. Nell’Area A, il modello ha raccomandato una configurazione di 5 caricabatterie rapidi e 11 lenti, per un totale di 16 unità. Questa configurazione ha minimizzato i costi operativi a circa 86,25 euro all’ora, raggiungendo un equilibrio ottimale tra capacità e efficienza.
Nell’Area B, con un traffico più intenso e una maggiore presenza di flotte commerciali, il modello ha suggerito un’infrastruttura più robusta: 10 caricabatterie rapidi e 21 lenti, per un totale di 31 unità, con un costo operativo di circa 147,35 euro all’ora. In entrambi i casi, le proporzioni tra i diversi tipi di stazioni rispettavano le linee guida locali, dimostrando la capacità del modello di adattarsi a standard regionali.
L’impatto più significativo si è visto nella gestione del carico sulla rete. Quando il modello è stato confrontato con metodi tradizionali, come le strategie basate solo sulle tariffe elettriche per fasce orarie o algoritmi di coordinamento cloud-edge, la differenza è stata netta. Durante le ore di punta (dalle 7:00 alle 21:00), il modello proposto ha mantenuto il carico di ricarica al di sotto dei 350 kW, un livello gestibile per la rete locale. I metodi di confronto, invece, hanno permesso picchi che superavano i 400 kW, creando un rischio concreto di instabilità della tensione e sovraccarico dei trasformatori.
Questa gestione efficace del carico ha ripercussioni economiche dirette. Evitando picchi estremi, le aziende elettriche possono rimandare o eliminare la necessità di costosi interventi sulla rete, come l’installazione di nuovi trasformatori. Per gli utenti finali, i benefici sono tangibili: meno tempo in coda, una maggiore probabilità di trovare una presa libera e, di conseguenza, una drastica riduzione dell’ansia da autonomia. Per i tassisti, in particolare, la possibilità di ricaricare rapidamente in zone strategiche significa meno viaggi “a vuoto” per raggiungere una stazione, massimizzando il tempo di guida a pagamento.
Lo studio ha anche esaminato il costo totale di proprietà (TCO) dei veicoli elettrici, un indicatore che include prezzo di acquisto, manutenzione, costo dell’elettricità e spese legate all’infrastruttura. Dopo l’implementazione della rete di ricarica ottimizzata, tutte le categorie di veicoli hanno registrato una riduzione dei costi. I taxi hanno mostrato il calo più marcato, seguiti da bus, veicoli governativi e auto private. Questo dimostra che un’infrastruttura intelligente non solo riduce i costi per i gestori delle stazioni, ma ripaga direttamente gli utenti finali.
Le implicazioni di questa ricerca sono globali. Il modello non è limitato a un contesto specifico; i suoi principi di progettazione basata sul comportamento degli utenti possono essere applicati ovunque, a patto di avere dati di mobilità affidabili. Sottolinea inoltre l’importanza della collaborazione interdisciplinare, unendo ingegneria elettrica, pianificazione dei trasporti ed economia per creare soluzioni pratiche.
Per il futuro, i ricercatori vedono la possibilità di integrare fonti di energia rinnovabile, come il solare, sincronizzando la ricarica dei VE con i periodi di massima produzione. Un’altra frontiera è la tecnologia V2G (Vehicle-to-Grid), che permetterebbe ai veicoli elettrici di restituire energia alla rete durante i picchi di domanda, trasformando milioni di batterie in un’enorme riserva energetica distribuita.
In sintesi, il lavoro di Pang Songling, Zhao Hailong e Zhang Chenjia rappresenta un passo avanti significativo. Abbandonando soluzioni semplicistiche, il loro modello fornisce una bussola per costruire una rete di ricarica che non sia solo più efficiente ed economica, ma anche più resiliente e sostenibile, guidando con intelligenza il futuro della mobilità elettrica.
Pang Songling, Zhao Hailong, Zhang Chenjia, Electric Power Research Institute of Hainan Power Grid Co., Ltd., Tropical Smart Grid Lab, Electrical Measurement & Instrumentation, DOI: 10.19753/j.issn1001-1390.2024.12.021