Previsioni Intelligenti per la Ricarica dei Camion Elettrici
Un significativo passo avanti nell’integrazione dei veicoli elettrici pesanti nella rete energetica è stato compiuto con lo sviluppo di un innovativo modello di previsione che migliora drasticamente l’accuratezza delle predizioni del carico di ricarica per flotte di camion elettrici. Questa innovazione affronta una delle sfide più pressanti nell’elettrificazione del trasporto merci: la domanda di energia imprevedibile e ad alto impatto che questi veicoli impongono alle reti elettriche locali e regionali.
A differenza dei veicoli elettrici passeggeri, che tipicamente assorbono potenza moderata per periodi prolungati, gli autocarri elettrici pesanti—spesso indicati come camion elettrici (ET)—sono caratterizzati da batterie di enorme capacità e tassi di ricarica estremamente elevati. Un singolo camion elettrico può richiedere tanta potenza quanto dozzine di auto elettriche passeggeri combinate durante una sessione di ricarica rapida. Quando centinaia di questi veicoli operano all’interno di un hub logistico o di un deposito, il loro comportamento di ricarica collettivo può creare picchi improvvisi e ripidi nella domanda di elettricità, potenzialmente destabilizzando la rete, aumentando i costi di picco del carico e degradando la qualità dell’alimentazione.
Fino ad ora, i modelli di previsione per tali flotte hanno largamente attinto da metodologie sviluppate per i veicoli elettrici passeggeri, che non tengono conto delle dinamiche operative uniche del trasporto merci. Queste includono programmi di consegna rigorosi, pesi del carico variabili, pianificazione complessa dei percorsi sotto vincoli temporali e l’influenza delle condizioni del traffico sul consumo energetico. Di conseguenza, le previsioni esistenti spesso non riescono a catturare la casualità e la volatilità del mondo reale nei modelli di ricarica dei camion elettrici.
Un nuovo studio pubblicato su Electric Power offre una soluzione convincente. Guidato da Hang Liu della State Grid Handan Electric Power Supply Company, il team di ricerca introduce un framework di previsione del carico basato su un modello di catena di Markov di ordine superiore, espressamente progettato per incorporare le realtà logistiche delle operazioni dei camion elettrici. L’approccio non solo affina la previsione temporale di quando i camion si collegheranno alla rete, ma migliora significativamente anche la precisione della stima del prelievo totale di potenza in qualsiasi ora data.
Al cuore del modello risiede una comprensione sofisticata del flusso di lavoro giornaliero del camion elettrico. I ricercatori iniziano modellando la rete di distribuzione come un grafo, con nodi che rappresentano centri di distribuzione, punti cliente e stazioni di ricarica. Crucialmente, introducono un vincolo di “finestra temporale soft” nel processo di ottimizzazione del percorso. Nella logistica del mondo reale, i clienti spesso specificano una finestra di consegna preferita, ma arrivi in anticipo o in ritardo sono consentiti—sebbene con una penalità finanziaria per il vettore. Questa flessibilità è una caratteristica distintiva del trasporto merci commerciale che i modelli di schedulazione rigidi ignorano. Utilizzando un algoritmo genetico per minimizzare una funzione di costo combinata di spese di viaggio e penalità delle finestre temporali, il team genera percorsi di consegna realistici e ottimizzati per ogni camion della flotta.
Una volta stabilito il percorso, il modello simula il viaggio del veicolo in dettaglio. Tiene conto di come la congestione del traffico—quantificata attraverso dati di flusso di traffico in tempo reale o storici—influenzi la velocità media e, di conseguenza, il consumo energetico. Diversi tipi di strade (ad esempio, autostrade versus strade urbane) hanno profili energetici distinti, e il traffico frequente a singhiozzo nelle aree dense può aumentare significativamente il prelievo di potenza per chilometro. Integrando questo modello dinamico di consumo energetico, il sistema può tracciare continuamente lo stato di carica (SOC) di un camion durante il suo turno.
La decisione di ricaricare non è arbitraria. Il modello attiva un evento di ricarica quando il SOC di un camion scende al di sotto di una soglia critica—impostata al 20% nello studio—o quando la sua energia residua è insufficiente per completare il percorso assegnato. Questo è un trigger più sfumato di un semplice avviso di batteria scarica; è una previsione basata sul futuro operativo immediato del veicolo. Inoltre, il modello rispetta il programma logistico. Se un camion ha una consegna successiva da rispettare, caricherà solo quanto basta per raggiungere la sua prossima destinazione in tempo, piuttosto che caricare alla capacità massima. Ciò previene inutili sollecitazioni alla rete e allinea il comportamento di ricarica con le priorità aziendali.
Questo processo produce una linea temporale precisa per gli orari di inizio e fine ricarica di ogni camion. Aggregando questi dati sull’intera flotta si ottiene una previsione altamente granulare di quanti camion saranno in ricarica in qualsiasi ora del giorno. Nella loro validazione utilizzando dati del mondo reale da un parco logistico doganale con una flotta di 400 camion elettrici, i ricercatori hanno scoperto che la previsione della quantità di ricarica del loro metodo corrispondeva strettamente alle misurazioni effettive, superando un tradizionale modello di distribuzione di Poisson riducendo l’errore medio dell’8%.
Tuttavia, conoscere il numero di camion in ricarica è solo metà della battaglia. Il carico di potenza totale dipende anche da quanta energia ogni camion necessita, che è direttamente legata al suo SOC all’arrivo al caricatore. È qui che entra in gioco la seconda grande innovazione del modello: una “discretizzazione fuzzy a due livelli” del SOC.
I modelli tradizionali spesso dividono l’intervallo SOC 0-100% in una manciata di ampi contenitori (ad es., 0-20%, 20-40%, ecc.). Per un veicolo con una batteria da 300 kWh, un singolo contenitore può rappresentare un enorme potenziale di 60 kWh, creando un ampio margine di errore nella previsione del carico. Il nuovo modello introduce un approccio annidato. Crea prima cinque insiemi fuzzy primari che catturano lo stato qualitativo della batteria: “molto basso”, “basso”, “normale”, “alto” e “molto alto”. All’interno di ciascuno di questi insiemi primari, crea poi una suddivisione più fine in n intervalli più piccoli. Questa discretizzazione a doppio strato permette al modello di catturare differenze sottili ma critiche nella domanda di ricarica. Un camion che arriva al 18% di SOC ha un profilo di ricarica molto diverso da uno al 2%, anche se entrambi rientrano nella stessa categoria “bassa” in un modello grossolano.
Con questi dati SOC ad alta risoluzione, i ricercatori applicano quindi la loro catena di Markov di ordine superiore. Un modello di Markov standard (del primo ordine) assume che il SOC futuro di un camion dipenda solo dal suo stato corrente. In realtà, la sua traiettoria è influenzata dalla sua storia recente—il suo SOC nelle ultime ore. Un modello di ordine superiore, in questo caso del secondo ordine, incorpora questa memoria. Calcola probabilità di transizione a più passi, chiedendo non solo “Dove andrà il SOC di questo camion da qui?” ma “Dato il suo SOC due ore fa e il suo SOC ora, dove sarà più probabile che sia nella prossima ora?”
Questo contesto storico è vitale per catturare l’inerzia e le tendenze nel comportamento di una flotta. Ad esempio, se un gran numero di camion è stato su rotte a lungo raggio nelle ultime ore, il modello può anticipare un’ondata di arrivi in profonda scarica al deposito alla sera, portando a un picco di carico prevedibile e sostanziale. Sfruttando questi dati storici più ricchi, la catena di Markov di ordine superiore produce una previsione molto più accurata e stabile della domanda aggregata di potenza.
I risultati della loro simulazione sono sorprendenti. Il modello ha previsto con successo la caratteristica curva di carico giornaliera della flotta di camion elettrici, con un picco principale alla tarda serata (raggiungendo 8,1 MW nel loro caso di test) mentre i camion tornavano dalle consegne della giornata. Confrontato con un modello standard di catena di Markov del primo ordine, il loro approccio di ordine superiore ha ridotto l’errore medio di previsione di un impressionante 22,24%. Questo livello di accuratezza si è mantenuto anche quando hanno scalato la simulazione a flotte più grandi di 600 e 800 camion, dimostrando la robustezza del modello.
Le implicazioni di questo lavoro si estendono ben oltre l’interesse accademico. Per un’utility o un operatore di rete, un miglioramento del 22% nell’accuratezza delle previsioni è un punto di svolta. Permette una pianificazione molto più efficace delle risorse di generazione, riduce la necessità di costose centrali elettriche di picco e minimizza il rischio di sovraccarichi della rete locale. Per la stessa azienda di logistica, una previsione precisa del carico è la base per implementare strategie di ricarica intelligenti. Possono negoziare tariffe elettriche migliori spostando la ricarica non urgente alle ore fuori picco o persino partecipare a programmi di risposta alla domanda, guadagnando revenue riducendo il loro carico durante le emergenze del sistema.
Inoltre, la capacità del modello di tracciare non solo la ricarica ma anche il potenziale per i servizi vehicle-to-grid (V2G) è una caratteristica lungimirante. L’articolo nota che i camion con un SOC “alto” o “molto alto” e senza ordini di consegna immediati possono servire come risorsa energetica distribuita, alimentando energia alla rete durante i periodi di picco. Prevedere con accuratezza questa capacità disponibile è un primo passo critico verso lo sblocco di questo prezioso servizio di bilanciamento della rete.
Sebbene il modello attuale sia un progresso significativo, gli autori ne riconoscono i limiti. Non tiene ancora conto del degrado a lungo termine della salute della batteria, che è un fattore cruciale nell’economia delle flotte commerciali. Lavori futuri potrebbero integrare modelli di invecchiamento delle batterie per creare un framework operativo più olistico che bilanci le esigenze della rete con la longevità del veicolo.
In un’era in cui l’elettrificazione del trasporto pesante accelera rapidamente, questa ricerca fornisce uno strumento vitale per garantire che questa transizione non sia solo benefica per l’ambiente, ma anche tecnicamente ed economicamente sostenibile per la rete elettrica. Radicando un sofisticato modello matematico nelle realtà concrete delle operazioni logistiche, il team ha costruito un ponte tra il mondo del trasporto merci e l’ingegneria dei sistemi energetici. Il loro lavoro prepara la strada per un futuro in cui le massive flotte di camion elettrici non sono una minaccia per la stabilità della rete, ma un bene prevedibile, gestibile e persino di supporto nell’ecosistema dell’energia pulita.
Autori: Hang Liu, Hao Shen, Yong Yang (State Grid Handan Electric Power Supply Company); Ling Ji (Guodian Nanjing Automation Co., Ltd.); Yang Yu (State Key Laboratory of Alternate Electrical Power System With Renewable Energy Sources, North China Electric Power University). Pubblicato in: Electric Power, Vol. 57, No. 5, Maggio 2024. DOI: 10.11930/j.issn.1004-9649.202306066.