Previsione precisa del carico di ricarica dei veicoli elettrici
La mobilità elettrica sta rivoluzionando non solo l’industria automobilistica, ma anche l’infrastruttura energetica esistente. Con l’aumento del numero di veicoli elettrici (EV) sulle nostre strade, la domanda di infrastrutture di ricarica crescerà esponenzialmente. Tuttavia, una pratica di ricarica disordinata e imprevedibile potrebbe generare carichi significativi sulla rete elettrica pubblica, specialmente durante i periodi di picco. Per affrontare queste sfide e garantire un approvvigionamento energetico stabile ed efficiente, è fondamentale prevedere con precisione la distribuzione spaziale e temporale del carico di ricarica. I modelli precedenti spesso hanno raggiunto i loro limiti, poiché non consideravano adeguatamente la complessità del comportamento umano e la diversità delle strutture urbane. Un nuovo studio pionieristico di ricercatori dell’Università del Sud-Est (Southeast University) in Cina rappresenta un notevole progresso in questo campo. Il modello sviluppato va oltre le semplici supposizioni e integra per la prima volta in modo completo la teoria delle catene di viaggio, sistemi di informazione geografica (GIS) dettagliati e un’intelligente pianificazione dei percorsi per simulare e prevedere il comportamento di ricarica dei veicoli elettrici (EV) con una precisione senza precedenti.
Il fulcro di questo metodo innovativo è il concetto di “catena di viaggio”. A differenza dei modelli tradizionali, che spesso considerano solo un semplice tragitto di andata e ritorno da casa al lavoro, la catena di viaggio cattura l’intero modello di movimento giornaliero di un utente di veicoli. Inizia tipicamente da casa, include diverse fermate intermedie, ad esempio al posto di lavoro, in un centro commerciale, dal medico o persino al supermercato di ritorno a casa, e termina infine nuovamente al punto di partenza. Questa sequenza complessa di viaggi e soste è il fattore decisivo che determina quando, dove e per quanto tempo un veicolo elettrico verrà ricaricato. Il team di ricerca guidato da Shen Xiaoqi ha tradotto questo comportamento in un modello matematico. Simulando migliaia di queste singole catene di viaggio, possono riprodurre in modo realistico la distribuzione dinamica della domanda di ricarica all’interno di una città. Questo approccio considera che un guidatore, ad esempio, dopo un lungo viaggio al lavoro, colleghi il suo veicolo a una stazione di ricarica rapida sul posto di lavoro per ricaricare la batteria durante le ore lavorative, o che sfrutti una breve sessione di ricarica dopo uno shopping nel centro città per garantire l’autonomia necessaria per il viaggio di ritorno a casa. Queste sfumature del comportamento quotidiano non erano state adeguatamente catturate da molti modelli di previsione precedenti.
Un altro fattore cruciale per la precisione della previsione è l’integrazione delle condizioni geografiche reali. Il team di ricerca ha suddiviso una città obiettivo in 191 zone funzionali, tra cui aree residenziali, zone commerciali e di uffici, centri commerciali e ricreativi, e altre aree. Ognuna di queste zone ha caratteristiche distintive che influenzano il comportamento di ricarica. Le aree residenziali sono solitamente dotate di punti di ricarica più lenti, adatti per ricariche notturne. Le zone commerciali e di uffici, d’altra parte, spesso dispongono di stazioni di ricarica rapida per soddisfare le esigenze dei dipendenti durante l’orario lavorativo. I centri commerciali spesso offrono stazioni di ricarica rapida per legare i clienti al luogo per un breve periodo. Assegnando potenze di ricarica specifiche e modelli di comportamento a ciascun tipo di zona, il modello può simulare in modo realistico se e per quanto tempo un guidatore ricaricherà in un determinato luogo. La decisione dipende non solo dallo stato di carica residuo della batteria (State of Charge, SOC), ma anche dalla durata del parcheggio disponibile e dal tipo di stazione di ricarica.
Per modellare il movimento dei veicoli tra queste zone, il team utilizza un algoritmo consolidato della teoria dei grafi: l’algoritmo di Floyd. Questo algoritmo è in grado di calcolare il percorso più breve tra qualsiasi coppia di nodi in una rete stradale complessa. In questo contesto, i nodi rappresentano incroci o luoghi importanti, e i collegamenti tra loro sono le strade con le loro rispettive lunghezze. Utilizzando l’algoritmo di Floyd per determinare il percorso più probabile tra due destinazioni, il modello può calcolare con grande precisione la distanza effettiva percorsa e il tempo necessario. Questa determinazione precisa della distanza del viaggio è essenziale per simulare in modo realistico il consumo energetico di ogni tratto del viaggio. L’algoritmo tiene conto della geometria reale della rete stradale, inclusi sensi unici, rotonde e diverse classi di strade, affinando così significativamente la simulazione rispetto ai modelli che utilizzano solo distanze in linea d’aria.
L’intero processo di simulazione è una procedura iterativa a più passaggi. Innanzitutto, per ogni veicolo elettrico simulato, viene determinato il numero di viaggi giornalieri e il numero di destinazioni intermedie per viaggio, estratto casualmente da distribuzioni statistiche basate su studi di traffico reali. Successivamente, viene determinata l’ora di inizio del primo viaggio della giornata, che generalmente segue una distribuzione normale, con una media più precoce nei giorni feriali e una più tardiva nei fine settimana. La sequenza specifica delle destinazioni viene simulata tramite una catena di Markov. Questo modello matematico descrive la probabilità di passare da un tipo di zona determinato (ad esempio, residenziale) a un altro (ad esempio, luogo di lavoro o centro commerciale). Così, la probabilità di andare da una zona residenziale a un luogo di lavoro dopo una sosta è molto più alta in un giorno feriale che in una domenica. Questo approccio probabilistico cattura le abitudini e la certa casualità del comportamento del traffico umano.
Una volta stabilita la catena di viaggio per un viaggio, il modello utilizza l’algoritmo di Floyd per calcolare il percorso più breve tra ogni destinazione consecutiva. Sulla base della lunghezza del percorso e di una velocità media supposta, viene determinato il tempo di guida e il consumo energetico corrispondente. All’arrivo a una destinazione, viene estratta una durata di parcheggio casualmente da una distribuzione di probabilità specifica per quel tipo di zona. Ad esempio, le durate di parcheggio nelle aree residenziali seguono tipicamente una distribuzione Weibull, che descrive soste lunghe, spesso durante tutta la notte, mentre le durate di parcheggio nei centri commerciali seguono piuttosto una distribuzione generalizzata dei valori estremi, che descrive tempi più brevi e variabili.
La logica centrale del modello è la decisione di ricarica. Quando un veicolo arriva a una destinazione, il modello verifica il SOC residuo. Se questo scende al di sotto di una soglia critica del 25%, viene attivata una sessione di ricarica. Anche se il SOC è superiore a questa soglia, si ricarica se l’energia residua non è sufficiente per completare il prossimo viaggio nella catena di viaggio. Questa logica prospettica riflette il comportamento reale dei guidatori, che vogliono assicurarsi di non rimanere a secco di batteria. La durata della sessione di ricarica è quindi limitata dalla durata del parcheggio disponibile e dalla potenza massima di ricarica della stazione in quella zona. Il modello considera esplicitamente le differenze tra punti di ricarica più lenti nelle aree residenziali e stazioni di ricarica rapida nelle zone commerciali e di uffici.
I ricercatori hanno applicato il loro modello a una città reale con otto distretti amministrativi e hanno analizzato le sessioni di ricarica di 100.000 veicoli elettrici simulati durante un giorno. I risultati hanno mostrato un chiaro modello di “doppio picco” nel carico totale della città. Il primo picco, più piccolo, si è verificato intorno alle 7:00 del mattino, causato dai veicoli che sono arrivati ai loro luoghi di lavoro dopo i loro viaggi mattutini e hanno iniziato a ricaricare lì. Successivamente, la domanda è diminuita fino al pomeriggio, per aumentare nuovamente intorno alle 18:00. Il secondo e molto più grande picco ha raggiunto il suo massimo intorno alle 22:00 ed era 1,28 volte superiore alla media giornaliera. Questo picco serale deriva dal ritorno degli utenti a casa, dove collegano i loro veicoli per la notte.
L’analisi ha rivelato differenze significative tra le diverse zone funzionali. Nelle aree residenziali, la curva del carico ha mostrato un forte aumento durante la notte e nelle prime ore del mattino, con un rapporto picco-valle di 1,65. Nelle zone commerciali, d’altra parte, il carico ha raggiunto il suo massimo molto prima nel corso della giornata, alle 7:00, e poi è diminuito costantemente. Un risultato particolarmente notevole è stata la disparità tra le zone residenziali e commerciali nella notte. Tra le 21:00 e le 24:00, il carico nelle aree residenziali era superiore del 134,17% rispetto alle zone commerciali. Ciò sottolinea in modo impressionante che la ricarica domestica è la pratica dominante.
Lo studio ha inoltre mostrato che la distribuzione del carico nei singoli distretti amministrativi dipende fortemente dalla loro suddivisione interna per zone. Un distretto (A), composto principalmente da zone commerciali, ha mostrato una curva del carico simile a quella di una tipica zona commerciale, con un picco mattutino precoce. Un altro distretto (B), composto principalmente da aree residenziali, ha mostrato una curva del carico che seguiva il modello nelle aree residenziali, con un picco di notte. Questo risultato è di grande importanza per i pianificatori urbani e gli operatori di rete, poiché suggerisce che la necessità di infrastrutture di ricarica in un distretto può essere prevista analizzando il suo uso del suolo.
Per validare il loro metodo, i ricercatori hanno confrontato le loro previsioni con un modello consolidato della letteratura. Il confronto ha mostrato che il nuovo modello fornisce una rappresentazione più precisa del carico, specialmente nel pomeriggio. Il modello precedente ha sottostimato il carico perché non ha considerato adeguatamente la maggiore percentuale di ricarica rapida nelle zone commerciali e di uffici durante il giorno. Inoltre, il nuovo modello ha previsto una differenza minore tra il carico di picco e il carico di valle, dovuta alla simulazione più realistica di più viaggi giornalieri, che distribuisce le richieste di ricarica durante il giorno.
Le implicazioni di questa ricerca sono ampie. Per gli operatori di rete, il modello offre uno strumento potente per prevedere i picchi di carico e contrastarli in modo mirato, ad esempio attraverso programmi di gestione del carico o programmando lavori di manutenzione in momenti di bassa domanda. Per i pianificatori urbani e gli operatori di stazioni di ricarica, la capacità di prevedere la domanda di ricarica in zone specifiche consente un’espansione dell’infrastruttura più strategica ed economica. La conclusione che la domanda di ricarica è principalmente concentrata nelle aree residenziali suggerisce che la priorità nell’installazione dei punti di ricarica dovrebbe essere nei garage privati, negli edifici residenziali e nei parcheggi pubblici nelle aree residenziali.
Inoltre, il modello è ideale per l’analisi degli scenari e la pianificazione a lungo termine. I responsabili politici possono utilizzarlo per valutare l’impatto di diversi incentivi, come tariffe elettriche dipendenti dal tempo che incoraggiano la ricarica durante la notte. Analizzando come diversi tipi di distretti rispondono a tali incentivi, le autorità possono adattare le loro strategie alla situazione specifica. Il modello fornisce anche una base per comprendere l’impatto futuro dei veicoli autonomi e dei servizi di mobilità condivisa, che potrebbero cambiare fondamentalmente il modello delle catene di viaggio e, di conseguenza, i requisiti di ricarica.
In sintesi, la ricerca di Shen Xiaoqi e dei suoi colleghi all’Università del Sud-Est rappresenta un notevole progresso nella previsione della domanda di ricarica dei veicoli elettrici. Integrando in modo senza soluzione di continuità la teoria delle catene di viaggio, dati geografici dettagliati e algoritmi avanzati di pianificazione dei percorsi, hanno creato un modello che cattura la vera complessità della mobilità umana. Questo lavoro va oltre le supposizioni semplificate e offre una base solida e basata sui dati per l’integrazione sostenibile di milioni di veicoli elettrici nelle nostre reti elettriche. Mentre il mondo accelera la sua transizione verso la mobilità elettrica, strumenti come questo saranno indispensabili per costruire un futuro energetico resiliente, efficiente e pulito.
Shen Xiaoqi, Fang Xin, Tan Linlin, Li Xinguo, Sun Jiaqi, Southeast University, Electric Power Engineering Technology, DOI: 10.12158/j.2096-3203.2024.03.014