Ricerca Rivoluzionaria: Intelligenza Artificiale e Ricarica Intelligente Stabilizzano le Reti Elettriche
Con la diffusione globale dei veicoli elettrici, la loro integrazione nelle reti di distribuzione energetica rappresenta sia un’opportunità che una sfida. Se da un lato promettono un futuro dei trasporti più pulito, dall’altro la loro adozione massiccia introduce nuove complessità nei sistemi elettrici. I picchi improvvisi della domanda di ricarica, combinati con la natura intermittente delle fonti rinnovabili come solare ed eolico, possono destabilizzare le reti locali, causando fluttuazioni di tensione e maggiori perdite di potenza. Risolvere queste problematiche è essenziale per costruire sistemi energetici resilienti e sostenibili.
Uno studio innovativo pubblicato su Power System Protection and Control propone una soluzione promettente che combina l’intelligenza artificiale con una gestione strategica della rete. La ricerca, guidata da Shidan Li e Hang Li del Laboratorio chiave per il Controllo della Trasmissione e Conversione dell’Energia presso l’Università di Shanghai Jiao Tong, introduce una nuova strategia di ottimizzazione della tensione che sfrutta il deep reinforcement learning, la segmentazione di rete e l’apprendimento per imitazione per migliorare stabilità ed efficienza delle reti di distribuzione.
Questa ricerca giunge in un momento cruciale. I governi mondiali spingono per la decarbonizzazione, con i settori dei trasporti e dell’energia in prima linea in questa transizione. In Cina, dove è stato condotto lo studio, l’incentivazione ai veicoli a nuove energie (NEV) è particolarmente aggressiva, sostenuta da politiche nazionali mirate a raggiungere gli obiettivi di picco delle emissioni e neutralità carbonica. Tuttavia, con il crescere dei veicoli elettrici connessi alla rete, specialmente nelle ore di punta, i gestori energetici affrontano pressioni crescenti per mantenere qualità e affidabilità dell’energia. I metodi tradizionali di controllo della tensione, che si basano pesantemente su previsioni e ottimizzazione centralizzata, spesso risultano inefficaci in ambienti dinamici e in tempo reale.
L’approccio del team ridefinisce il coordinamento delle risorse energetiche distribuite – come cluster di veicoli elettrici, sistemi fotovoltaici distribuiti e compensatori di potenza reattiva come i generatori statici di var (SVG) – per stabilizzare la tensione di rete. Invece di trattare l’intera rete come un sistema monolitico, i ricercatori propongono un framework decentralizzato multi-agente in cui ogni dispositivo controllabile agisce come un decisore autonomo. Questo passaggio dal controllo centralizzato a quello distribuito si allinea all’architettura evolutiva delle smart grid moderne, dove l’edge computing e la decisione localizzata stanno diventando sempre più importanti.
Il cuore del nuovo metodo è un algoritmo avanzato di machine learning chiamato GS-MADDPG – acronimo di Guidance Signal-based Multi-Agent Deep Deterministic Policy Gradient. Questo algoritmo si basa sulle tecniche esistenti di deep reinforcement learning (DRL) ma affronta due limitazioni principali: l’assegnazione del merito e l’inefficienza esplorativa. Nei sistemi multi-agente è spesso difficile determinare quale agente ha contribuito maggiormente a un risultato positivo, un problema noto come assegnazione del credito. Inoltre, l’esplorazione casuale nelle fasi iniziali di addestramento può portare a scarse prestazioni e lenta convergenza, rendendo il processo di apprendimento inefficiente e potenzialmente rischioso per applicazioni reali.
Per affrontare queste sfide, i ricercatori hanno introdotto due innovazioni chiave. In primo luogo, hanno applicato una strategia di partizionamento della rete che suddivide la griglia di distribuzione in zone più piccole e gestibili. Ogni zona opera in modo semi-indipendente, consentendo agli agenti locali di ricevere feedback basati sul loro impatto specifico su tensione e perdite regionali. Questo disaccoppiamento zonale dei premi garantisce che il contributo di ogni agente sia valutato in modo più accurato, migliorando l’equità e l’efficacia del processo di apprendimento. Riduce inoltre la complessità del problema di ottimizzazione globale, consentendo una convergenza più rapida e stabile.
In secondo luogo, il team ha incorporato l’apprendimento per imitazione nella pipeline di addestramento. Invece di iniziare da zero con azioni casuali, gli agenti IA vengono inizialmente guidati da dimostrazioni esperte derivate da metodi di ottimizzazione convenzionali, come la programmazione a cono del secondo ordine. Queste dimostrazioni fungono da “segnali guida”, modellando il comportamento iniziale degli agenti e indirizzandoli verso strategie più efficaci. Questo approccio ibrido – che combina imitazione e reinforcement learning – accelera l’addestramento, migliora l’efficienza campionaria e riduce il rischio di azioni pericolose o subottimali durante la fase di apprendimento.
Uno degli aspetti più innovativi dello studio è la modellazione dei cluster di veicoli elettrici come unità di accumulo di energia generalizzate (GES). Invece di gestire ogni veicolo individualmente, cosa computazionalmente proibitiva, i ricercatori hanno utilizzato la somma di Minkowski per aggregare le capacità di ricarica di tutti i veicoli elettrici all’interno di una stazione di ricarica. Questa tecnica matematica consente al sistema di rappresentare la flessibilità collettiva di centinaia di veicoli come una singola risorsa controllabile. Il modello GES risultante cattura i limiti di ricarica aggregati, i vincoli dello stato di carica (SOC) e le abitudini di mobilità degli utenti, consentendo al sistema di ottimizzare gli orari di ricarica nel rispetto delle esigenze individuali.
Il modello presuppone che i proprietari di veicoli elettrici forniscano informazioni sui loro orari di arrivo e partenza, il SOC iniziale e il SOC finale desiderato al momento del collegamento. Questi dati, comunemente raccolti dalle piattaforme di ricarica moderne, consentono al sistema di calcolare traiettorie di ricarica fattibili per ogni veicolo. Aggregando queste traiettorie, la stazione di ricarica può offrire la sua capacità totale disponibile alla rete come un carico flessibile o addirittura una batteria virtuale, in grado di assorbire l’eccesso di generazione rinnovabile o iniettare energia durante la domanda di picco.
L’integrazione di sistemi fotovoltaici distribuiti migliora ulteriormente le capacità del sistema. A differenza dei generatori convenzionali, gli inverter fotovoltaici moderni possono fornire supporto alla potenza reattiva senza ridurre la loro produzione di potenza attiva. Ciò significa che possono aiutare a regolare i livelli di tensione regolando il loro fattore di potenza, agendo come fonti dinamiche di VAR. Se combinati con SVG e accumuli basati su veicoli elettrici, questi dispositivi formano un potente toolkit per il controllo della tensione in tempo reale.
I ricercatori hanno testato il loro approccio su una rete di distribuzione IEEE a 33 nodi modificata, un benchmark standard nella ricerca sui sistemi energetici. Il sistema di test includeva due stazioni di ricarica per veicoli elettrici, tre impianti fotovoltaici e due SVG, riflettendo una configurazione di rete urbana o suburbana realistica. Utilizzando simulazioni di Monte Carlo, hanno generato scenari operativi diversificati che catturano l’incertezza della generazione solare e della domanda di carico, garantendo la robustezza della loro soluzione.
L’addestramento dell’algoritmo GS-MADDPG ha coinvolto una fase di apprendimento centralizzata, in cui tutti gli agenti sono stati addestrati insieme utilizzando dati di rete storici memorizzati in un replay buffer. Una volta addestrate, le politiche di controllo sono state implementate in modo decentralizzato, con ogni agente che esegue decisioni localmente in base alle proprie osservazioni. Questo paradigma di “addestramento centralizzato con esecuzione decentralizzata” (CTDE) è particolarmente adatto alla distribuzione nel mondo reale, in quanto riduce il sovraccarico di comunicazione e migliora la resilienza del sistema.
I risultati sono stati convincenti. Rispetto ai metodi DRL tradizionali, il algoritmo GS-MADDPG proposto ha ottenuto una convergenza più rapida, una maggiore efficienza campionaria e una regolazione della tensione superiore. In simulazione, il sistema ha ridotto a zero le violazioni di tensione in tutti gli scenari di test, mantenendo tutte le tensioni dei nodi nell’intervallo sicuro da 0,95 a 1,05 per unità. Anche le perdite di rete sono state significativamente ridotte, superando sia l’approccio DRL convenzionale che un metodo di ottimizzazione centralizzata day-ahead che si basava su previsioni perfette.
Forse ancor più impressionante, l’algoritmo ha dimostrato una forte robustezza in condizioni estreme. Quando testato in uno scenario di carico al 110% – simulando picchi imprevisti della domanda o errori di previsione – il controllore GS-MADDPG ha mantenuto livelli di tensione stabili, mentre il metodo centralizzato non è riuscito a prevenire le violazioni. Ciò evidenzia un vantaggio chiave del controllo adattivo guidato dai dati: la sua capacità di rispondere efficacemente a eventi imprevisti senza fare affidamento su previsioni precise.
Da un punto di vista pratico, le implicazioni di questa ricerca sono significative. Le utility e i gestori di rete possono utilizzare tali sistemi guidati dall’IA per gestire livelli crescenti di risorse energetiche distribuite senza investire in costosi aggiornamenti dell’infrastruttura. Sfruttando la flessibilità intrinseca della ricarica dei veicoli elettrici e della generazione basata su inverter, possono posticipare o addirittura evitare spese in conto capitale per nuovi trasformatori, condensatori o linee di trasmissione.
Inoltre, l’approccio supporta la più ampia visione dell’integrazione vehicle-to-grid (V2G), dove i veicoli elettrici non sono solo consumatori di elettricità ma partecipanti attivi ai servizi di rete. Con il continuo calo dei prezzi delle batterie e la ricarica bidirezionale che diventa più comune, il potenziale dei veicoli elettrici nel fornire servizi ancillari – come la regolazione della frequenza, il peak shaving e il supporto alla tensione – non farà che crescere. Questo studio fornisce un framework scalabile e intelligente per sbloccare quel potenziale.
Il successo dell’algoritmo GS-MADDPG sottolinea anche l’importanza della collaborazione interdisciplinare nella ricerca energetica moderna. Il lavoro si colloca all’intersezione tra ingegneria dei sistemi energetici, machine learning e ricerca operativa, attingendo alle tecniche di ciascun campo per creare una soluzione più efficace. Riflette una tendenza in crescita nel settore: la fusione di competenze di dominio con l’IA all’avanguardia per risolvere problemi complessi del mondo reale.
Per i produttori automobilistici e i fornitori di servizi di ricarica, i risultati offrono spunti preziosi. Mentre progettano le prossime generazioni di veicoli elettrici e reti di ricarica, incorporare capacità di ricarica intelligente che supportino comportamenti favorevoli alla rete diventerà sempre più importante. Veicoli equipaggiati con sistemi avanzati di comunicazione e controllo potrebbero rispondere automaticamente ai segnali della rete, regolando la loro velocità di ricarica per aiutare a mantenere la stabilità. Ciò non avvantaggia solo la rete, ma apre anche nuovi flussi di reddito per i proprietari di veicoli attraverso programmi di demand response.
Anche i regolatori e i policymaker dovrebbero prendere nota. Lo studio dimostra che con gli giusti strumenti tecnologici, l’alta penetrazione di veicoli elettrici non deve avvenire a scapito dell’affidabilità della rete. Tuttavia, realizzare questa visione richiede politiche di supporto, come protocolli di comunicazione standardizzati, un compenso equo per i servizi di rete e incentivi per l’adozione della ricarica intelligente. I quadri normativi devono evolversi per adattarsi a questi nuovi paradigmi.
Guardando al futuro, il team di ricerca prevede di estendere il proprio lavoro a reti di distribuzione più ampie e complesse ed esplorare l’integrazione di ulteriori tecnologie di accumulo di energia. Stanno anche studiando come gli stessi principi potrebbero essere applicati alle microgrid e ai sistemi energetici industriali, dove la stabilità della tensione è ugualmente critica.
In conclusione, lo studio di Shidan Li, Hang Li e dei loro colleghi rappresenta un significativo passo avanti nella ricerca di reti elettriche più intelligenti e resilienti. Combinando partizionamento di rete, apprendimento per imitazione e multi-agent reinforcement learning, hanno sviluppato uno strumento potente per gestire la crescente complessità dei sistemi di distribuzione moderni. Mentre il mondo si muove verso un futuro dominato dalla mobilità elettrica e dall’energia rinnovabile, tali innovazioni saranno essenziali per garantire una transizione graduale e sostenibile.
La ricerca è stata supportata dal National Key Research and Development Program of China e dal Science and Technology Project of State Grid Zhejiang Electric Power Co., Ltd. La sua pubblicazione su Power System Protection and Control evidenzia il ruolo della rivista nell’avanzare soluzioni all’avanguardia per le sfide dei sistemi energetici. Con il suo rigore metodologico, la rilevanza pratica e solide fondamenta teoriche, lo studio stabilisce uno standard elevato per la ricerca futura nel campo.
Shidan Li, Hang Li, Guojie Li, Bei Han, Jin Xu, Ling Li, Hongtao Wang, Laboratorio chiave per il Controllo della Trasmissione e Conversione dell’Energia, Ministero dell’Istruzione (Università di Shanghai Jiao Tong), Shanghai PeiKe Technology Co., Ltd., Jiaxing Power Supply Company, State Grid Zhejiang Electric Power Co., Ltd., Power System Protection and Control, DOI: 10.19783/j.cnki.pspc.240117