Sistema di Guida Attiva Ottimizza la Ricarica per Veicoli Elettrici
In un’era in cui la mobilità elettrica sta rapidamente trasformando il panorama automobilistico globale, un team di ricercatori guidato da Yuan Xiaodong dell’Istituto di Ricerca Elettrica di State Grid Jiangsu Electric Power Co., Ltd. ha introdotto un modello innovativo che promette di rivoluzionare l’esperienza di ricarica per i proprietari di veicoli elettrici (VE). Questo studio, condotto in collaborazione con Gan Haiqing, Wang Mingshen, Teng Xinyuan, Ruan Wenjun e Long Huan, presenta un sistema di guida attiva basato sull’Internet of Vehicles (IoV) progettato per ottimizzare sia il tempo di viaggio che il tempo di attesa presso le stazioni di ricarica. Pubblicato sulla prestigiosa rivista Automation of Electric Power Systems il 10 aprile 2024, questo lavoro affronta la crescente sfida di gestire l’aumento del numero di veicoli elettrici e le relative esigenze di ricarica.
Il cuore del modello proposto risiede nell’integrazione di algoritmi avanzati di pianificazione del percorso e della teoria delle code, specificamente adattati alla natura dinamica del traffico urbano e ai modelli imprevedibili del comportamento di ricarica dei veicoli elettrici. Incorporando dati in tempo reale sul traffico, inclusi i tempi di attesa ai semafori ed evitando deviazioni inutili, i ricercatori hanno sviluppato una versione migliorata dell’algoritmo A* per la pianificazione del percorso. Questo miglioramento consente un aggiornamento continuo della matrice di stato spaziotemporale della rete stradale, garantendo che i percorsi raccomandati siano sempre ottimizzati per le condizioni attuali. Il risultato è una significativa riduzione del tempo di viaggio, come dimostrato in uno studio di caso condotto nell’area centrale di Nanchino, in Cina.
Una delle innovazioni chiave di questo studio è l’uso di una rete di credenze profonda (DBN) per prevedere il tasso di arrivo a breve termine dei veicoli elettrici presso le stazioni di ricarica. Questa capacità predittiva è cruciale per gestire la domanda spesso imprevedibile di servizi di ricarica. Prevedendo con precisione il numero di veicoli previsti in una determinata stazione, il sistema può allocare meglio le risorse e minimizzare i tempi di attesa. Il modello DBN è stato addestrato su dati storici, inclusi modelli di arrivo dei veicoli, ora del giorno, condizioni meteorologiche, temperatura ambientale, tipo di giorno (giorno feriale o festivo) e stato del traffico. I dati di input sono stati elaborati attraverso la vettorializzazione e la normalizzazione, e il modello è stato progettato con più macchine di Boltzmann limitate (RBM) e uno strato completamente connesso, consentendo sia un pre-addestramento non supervisionato che un affinamento supervisionato.
L’efficacia del modello DBN è stata valutata rispetto ad altri popolari algoritmi di apprendimento automatico, come la foresta casuale (RF), la macchina a vettori di supporto (SVM) e l’albero decisionale (DT). I risultati hanno mostrato che il modello DBN ha superato queste alternative in termini di errore assoluto medio (MAE) e errore quadratico medio (RMSE), indicando la sua superiore capacità di catturare le complesse relazioni tra le caratteristiche di input e i tassi di arrivo dei veicoli. Questa alta precisione nella previsione è essenziale per i passaggi successivi nel processo di guida attiva alla ricarica.
Una volta che i tassi di arrivo sono stati previsti, il passo successivo coinvolge la stima del tempo di attesa presso la stazione di ricarica. Per raggiungere questo obiettivo, i ricercatori hanno impiegato il modello di coda M/G/k, particolarmente adatto a scenari in cui i tempi di servizio non sono distribuiti in modo esponenziale. Nel contesto della ricarica dei veicoli elettrici, il tempo di servizio corrisponde alla durata del processo di ricarica, che può variare notevolmente a seconda dello stato della batteria, del tipo di caricatore e del veicolo specifico. Il modello M/G/k tiene conto del numero di punti di ricarica (k), del tasso di arrivo (λ) e della distribuzione dei tempi di servizio, fornendo una rappresentazione più realistica del sistema di coda.
Per validare il modello M/G/k, il team ha analizzato i dati sulla durata della ricarica provenienti da cinque diverse stazioni di ricarica nell’area centrale di Nanchino. I dati, raccolti in un periodo compreso tra le 6:00 e le 21:00, sono stati suddivisi in intervalli di 20 minuti, risultando in 45 punti dati al giorno per ogni stazione. Utilizzando il test di Kolmogorov-Smirnov (K-S), i ricercatori hanno confermato che l’arrivo dei veicoli alle stazioni di ricarica segue una distribuzione di Poisson, un’ipotesi comune nella teoria delle code. Questa scoperta supporta l’uso del modello M/G/k, poiché assume che i tempi tra gli arrivi siano distribuiti in modo esponenziale, una caratteristica del processo di Poisson.
Tuttavia, le durate della ricarica si sono rivelate più complesse. Invece di seguire una semplice distribuzione esponenziale, normale o gamma, i dati sono stati meglio descritti da una miscela di distribuzioni gaussiane. Questo modello di miscela, rappresentato dall’equazione ( T{ch} = sum{i=1}^{N_G} a_i N(mu_i, sigmai^2) ), dove ( T{ch} ) è la durata della ricarica, ( N_G ) è il numero di componenti gaussiane, ( a_i ) è il peso dell’i-esimo componente e ( N(mu_i, sigma_i^2) ) è una distribuzione gaussiana standard con media ( mu_i ) e varianza ( sigma_i^2 ), fornisce un adattamento più accurato ai dati osservati. Il numero ottimale di componenti gaussiane è stato determinato utilizzando il criterio di informazione bayesiano (BIC), con il modello con il valore più basso di BIC selezionato. Questa caratterizzazione dettagliata della distribuzione della durata della ricarica è fondamentale per una previsione precisa dei tempi di attesa.
Con i tassi di arrivo e le distribuzioni dei tempi di servizio in atto, i ricercatori hanno utilizzato il campionamento Monte Carlo (MC) per simulare il processo di coda presso le stazioni di ricarica. La simulazione ha coinvolto la creazione di k code, una per ogni punto di ricarica, e la loro inizializzazione in base allo stato attuale dei caricabatterie (ad esempio, tempo di ricarica rimanente). Gli arrivi futuri dei veicoli e le relative durate di ricarica sono stati quindi campionati dalle distribuzioni previste, e il processo di coda è stato simulato per il tempo di viaggio stimato. Il tempo medio di attesa, calcolato dopo molteplici iterazioni, è stato utilizzato come tempo di attesa previsto per la stazione di ricarica di destinazione.
Il modello di guida attiva alla ricarica è stato testato in uno studio di caso completo che ha coinvolto 900 veicoli elettrici con esigenze di ricarica, generati casualmente nell’area centrale di Nanchino. Le prestazioni del modello proposto sono state confrontate con un algoritmo di pianificazione del percorso statico, che semplicemente indirizza i veicoli alla stazione di ricarica più vicina. I risultati sono stati impressionanti: il modello di guida attiva ha ridotto il tempo totale di viaggio del 18,49%, il tempo totale di attesa del 31,67% e il tempo totale di ricarica (la somma dei tempi di viaggio e di attesa) del 27,27%. Questi miglioramenti non sono solo significativi, ma evidenziano anche i benefici pratici del modello in scenari reali.
Un’analisi più approfondita ha rivelato che il modello di guida attiva ha anche portato a un’utilizzazione più equilibrata dell’infrastruttura di ricarica. Nello scenario statico, alcune stazioni di ricarica, in particolare quelle in posizioni più accessibili, sono diventate gravemente congestionate, portando a lunghi tempi di attesa e a una scarsa utilizzazione di altre stazioni. Al contrario, il modello di guida attiva ha distribuito efficacemente la domanda di ricarica attraverso la rete, riducendo il picco di carico su qualsiasi singola stazione e migliorando l’efficienza complessiva del sistema. Alle 15:00, ad esempio, il tasso medio di utilizzazione delle stazioni di ricarica è aumentato dal 69,50% all’89,47%, un miglioramento sostanziale che sottolinea la capacità del modello di ottimizzare l’allocazione delle risorse.
Il successo del modello di guida attiva alla ricarica è una testimonianza del potere di integrare tecniche computazionali avanzate con dati in tempo reale. L’algoritmo A* migliorato, tenendo conto delle condizioni di traffico dinamiche e dei ritardi ai semafori, garantisce che i percorsi raccomandati siano sempre i più efficienti. Il modello DBN, con la sua capacità di prevedere i tassi di arrivo dei veicoli, fornisce una solida base per la gestione della domanda di ricarica. E il modello di coda M/G/k, potenziato dall’uso di una miscela di distribuzioni gaussiane, offre una previsione realistica e accurata dei tempi di attesa.
Le implicazioni di questa ricerca vanno oltre i benefici immediati per i singoli proprietari di veicoli elettrici. Riducendo i tempi di viaggio e di attesa, il modello può contribuire ad alleviare la congestione del traffico e migliorare l’efficienza complessiva del sistema di trasporto urbano. Può anche contribuire alla stabilità e affidabilità della rete elettrica, poiché modelli di ricarica più prevedibili e distribuiti riducono il rischio di sovraccarico. Inoltre, la capacità del modello di bilanciare il carico attraverso la rete di ricarica può portare a risparmi sui costi sia per gli operatori che per gli utenti, riducendo la necessità di costosi aggiornamenti delle infrastrutture e minimizzando il tempo trascorso in attesa di un punto di ricarica.
Lo studio sottolinea anche l’importanza di considerare la prospettiva dell’utente nella progettazione di soluzioni di mobilità intelligente. Concentrandosi sulla minimizzazione del costo totale del tempo, che include sia il tempo di viaggio che quello di attesa, il modello si allinea con la preoccupazione principale dei proprietari di veicoli elettrici: comodità ed efficienza. Questo approccio centrato sull’utente è un fattore chiave nel successo del modello e stabilisce un precedente per future ricerche nel campo.
Nonostante i significativi risultati, i ricercatori riconoscono che ci sono ancora aree di miglioramento. Ad esempio, il modello attuale non tiene pienamente conto dell’impatto dei prezzi sulla scelta della stazione di ricarica da parte dell’utente. In futuro, l’integrazione di fattori di prezzo e l’uso di algoritmi di apprendimento per rinforzo profondo potrebbero ulteriormente migliorare le prestazioni del modello. Inoltre, il modello potrebbe essere esteso per considerare l’allocazione ottimale delle risorse di ricarica, bilanciando le esigenze del sistema con le preferenze degli utenti.
Il lavoro di Yuan Xiaodong, Gan Haiqing, Wang Mingshen, Teng Xinyuan, Ruan Wenjun e Long Huan rappresenta un passo significativo avanti nello sviluppo di soluzioni intelligenti di ricarica. Il loro modello di guida attiva alla ricarica, pubblicato su Automation of Electric Power Systems, dimostra il potenziale di integrare metodi computazionali avanzati con dati in tempo reale per creare esperienze di ricarica più efficienti e amichevoli per gli utenti di veicoli elettrici. Mentre l’adozione di veicoli elettrici continua a crescere, tali innovazioni saranno cruciali per garantire che la transizione verso un sistema di trasporto sostenibile sia fluida ed efficace.
La ricerca è stata sostenuta dal Programma Nazionale Chiave di Ricerca e Sviluppo della Cina (No. 2021YFB2501600), evidenziando l’importanza del supporto governativo nel guidare i progressi tecnologici. Lo studio non solo contribuisce alla letteratura accademica, ma ha anche applicazioni pratiche che possono beneficiare una vasta gamma di stakeholder, dai proprietari di veicoli elettrici ai pianificatori urbani e alle compagnie elettriche. Mentre il mondo si muove verso un futuro più sostenibile e connesso, le intuizioni e le metodologie presentate in questo articolo giocheranno senza dubbio un ruolo vitale nella progettazione della prossima generazione di soluzioni di mobilità intelligente.
Yuan Xiaodong, Gan Haiqing, Wang Mingshen, Teng Xinyuan, Ruan Wenjun, Long Huan, Automation of Electric Power Systems, DOI: 10.7500/AEPS20230730001