Strategia di Controllo Intelligente per Reti con Veicoli Elettrici
La transizione energetica globale non riguarda solo la sostituzione dei motori a combustione con motori elettrici, ma coinvolge un ripensamento radicale dell’intero sistema elettrico. I veicoli elettrici (VE), un tempo considerati semplici consumatori di energia, stanno emergendo come attori chiave nell’evoluzione delle reti elettriche intelligenti. Grazie alla tecnologia Vehicle-to-Grid (V2G), questi automobili possono non solo prelevare energia dalla rete per ricaricarsi, ma anche restituirla quando necessario, trasformandosi in una flotta di batterie mobili. Questo potenziale è fondamentale per bilanciare l’intermittenza delle fonti rinnovabili come il solare e l’eolico. Tuttavia, questo nuovo paradigma introduce una complessità senza precedenti: la disponibilità dei VE per supportare la rete è altamente imprevedibile, dipendendo dai modelli di guida e ricarica dei proprietari. In questo scenario, mantenere la frequenza e la tensione della rete entro limiti stabili diventa una sfida estrema.
Un team di ricercatori dell’Università di Wuhan, guidato da Peixiao Fan, Jun Yang, Yuxin Wen, Song Ke e Lilong Xie, ha sviluppato una strategia di controllo di avanguardia che affronta direttamente questa sfida. La loro soluzione innovativa, pubblicata sulla prestigiosa rivista Transactions of China Electrotechnical Society, propone un sistema di controllo intelligente che combina la precisione predittiva del controllo predittivo basato su modello (MPC) con la capacità di apprendimento adattativo del deep reinforcement learning (DRL). Il risultato è un controller che non si limita a rispondere alle perturbazioni, ma evolge e si adatta continuamente alle condizioni mutevoli del sistema, garantendo una stabilità superiore anche in scenari di elevata incertezza.
Il problema centrale identificato dai ricercatori è la “forte incertezza” che caratterizza le microreti moderne. Questa incertezza proviene da tre fonti principali. Primo, le fonti di energia rinnovabile, come il vento e il sole, sono intrinsecamente variabili e difficili da prevedere con precisione. Secondo, la domanda di energia dei consumatori fluttua costantemente. E terzo, e questo è il fattore più innovativo e sfidante, i veicoli elettrici stessi. La capacità di una stazione di ricarica di fornire potenza per la regolazione della frequenza non è fissa; è un limite dinamico che cambia in tempo reale. Questo limite dipende da quanti VE sono collegati, dal loro stato di carica (State of Charge, SOC) e, soprattutto, dai modelli di mobilità degli utenti. Un conducente che lascia il veicolo collegato durante la notte offre una lunga finestra di opportunità per l’interazione con la rete. Un altro che ricarica solo durante una pausa pranzo è praticamente inutile come risorsa di stabilizzazione. Questa volatilità rende inadeguati i metodi di controllo tradizionali, che si basano su parametri fissi. Se, ad esempio, durante l’ora di punta serale, molti veicoli si scollegano dalle stazioni, la capacità disponibile per la regolazione della frequenza può crollare. Un controller tradizionale, incapace di riconoscere e reagire a questo cambiamento repentino, non può mantenere la stabilità della rete.
Un aspetto aggiuntivo, spesso trascurato in studi precedenti, è l’accoppiamento tra il controllo della frequenza e il controllo della tensione. In un sistema elettrico, queste due funzioni non operano in isolamento. Il sistema di regolazione automatica della tensione (AVR), che regola l’eccitazione del generatore per mantenere una tensione stabile, introduce indirettamente una perturbazione nella potenza attiva del sistema. Quando l’AVR agisce, cambia la corrente di eccitazione, che a sua volta influenza la potenza attiva generata e, di conseguenza, la frequenza della rete. Ciò significa che un controller di frequenza non deve solo compensare i disequilibri tra carico e generazione, ma deve anche contrastare le interferenze indesiderate introdotte dal sistema di regolazione della tensione stesso. I modelli convenzionali che non considerano questa interazione complessa offrono una rappresentazione incompleta e meno realistica del comportamento della rete.
Per superare queste limitazioni, il team di Wuhan ha progettato un’architettura di controllo a doppio strato che fonde i punti di forza del MPC e del DRL. Lo strato inferiore è il controller MPC. Il MPC è una tecnica avanzata che predice il comportamento futuro del sistema su un orizzonte temporale. A ogni istante, risolve un problema di ottimizzazione per determinare la migliore sequenza di azioni di controllo per tutto l’orizzonte, tenendo conto di tutti i vincoli del sistema, come la massima velocità di variazione della potenza di una turbina o la massima capacità di carica/scarica di una flotta di VE. Questa capacità di gestire i vincoli in modo esplicito lo rende ideale per sistemi complessi. Tuttavia, il MPC tradizionale ha un punto debole: i suoi parametri, in particolare le matrici di ponderazione che determinano l’importanza relativa della minimizzazione della deviazione di frequenza rispetto allo sforzo di controllo, sono generalmente fissi. Se le condizioni del sistema cambiano drasticamente, questi parametri fissi possono diventare subottimali, degradando le prestazioni.
Qui entra in gioco lo strato superiore: l’agente DRL, specificamente un algoritmo Multi-Agent Deep Deterministic Policy Gradient (MA-DDPG). Il DRL permette a un “agente” di imparare a prendere decisioni ottimali attraverso l’esperienza, guidato da una funzione di ricompensa. L’agente osserva lo stato del sistema (ad esempio, deviazioni di frequenza, livelli di tensione, disponibilità di VE) e compie un'”azione”. Se questa azione migliora la stabilità del sistema, riceve una ricompensa positiva e impara a ripeterla. L’approccio “multi-agente” è cruciale per un sistema di microreti. Invece di un controller centrale, c’è un agente per ogni sottomicrorete che può comunicare e coordinarsi con gli altri. Questa struttura di “addestramento centralizzato, esecuzione distribuita” permette una coordinazione decentralizzata ed efficiente.
In questa strategia, l'”azione” dell’agente MA-DDPG non è controllare direttamente i generatori o i VE. Invece, la sua azione è aggiustare dinamicamente i parametri del controller MPC dello strato inferiore. L’agente monitora continuamente lo stato del sistema in tempo reale. Se rileva che la capacità dei VE sta diminuendo, può aumentare il peso assegnato alla potenza dei VE nella funzione di costo del MPC, indicando al MPC di dipendere maggiormente da altre fonti, come le turbine a microturbina. Se il sistema AVR sta causando una perturbazione significativa, l’agente può aggiustare i parametri per rendere il MPC più aggressivo nel contrastarla. In questo modo, si crea un controller MPC “evolutivo”. Il MPC fornisce il quadro robusto e basato su vincoli, mentre l’agente DRL agisce come un “regolatore principale”, ottimizzando continuamente la strategia del MPC in base all’ambiente mutevole.
I ricercatori hanno validato la loro strategia attraverso estese simulazioni di un sistema di microreti con tre sottomicroreti interconnesse, ognuna equipaggiata con turbine a microturbina, energia eolica e stazioni di ricarica per VE. Il sistema è stato sottoposto a scenari di alta difficoltà. In uno, sono state applicate forti perturbazioni casuali di carico e vento. In un altro, una turbina a microturbina chiave ha fallito completamente, simulando una contingenza severa. I risultati sono stati conclusivi. Rispetto ai controller tradizionali come PID e fuzzy, e a un MPC standard, la strategia LBMPC proposta ha dimostrato prestazioni superiori. Ha ottenuto una deviazione di frequenza media e massima significativamente inferiore, un tempo di recupero più veloce (inferiore a un secondo) e un'”eccellenza rate” molto più alta, il che significa che la frequenza è rimasta entro un margine stretto e accettabile per una percentuale molto maggiore del tempo.
La prova definitiva dell’intelligenza del sistema è venuta da uno scenario che simulava il ciclo giornaliero di utilizzo dei VE. È stata simulata una perturbazione alle 17:00, quando la maggior parte dei veicoli è in strada e non disponibile, rispetto a una perturbazione simile alle 00:00, quando la maggior parte è collegata e in carica. I controller tradizionali, con i loro parametri fissi, hanno avuto prestazioni scadenti alle 17:00 perché non potevano adattarsi alla capacità di VE drasticamente ridotta. La loro capacità di controllo della frequenza è crollata. Al contrario, il controller LBMPC ha aggiustato dinamicamente i suoi parametri MPC. Ha riconosciuto le condizioni mutevoli e ha ridistribuito il carico di regolazione della frequenza ad altre fonti disponibili, mantenendo prestazioni eccellenti. Questo ha dimostrato la sua capacità di adattarsi a cambiamenti prevedibili e ciclici nel sistema, una capacità essenziale per l’implementazione nel mondo reale.
Un aspetto particolarmente innovativo e importante per la sicurezza è la tolleranza ai guasti intrinseca nel design. Gli autori riconoscono un rischio fondamentale dei controller puramente basati su DRL: il problema della “scatola nera”. Se un agente DRL si trova di fronte a una situazione radicalmente diversa da tutto ciò che ha visto durante l’addestramento, può fallire catastroficamente, generando segnali di controllo assurdi o pericolosi. Per una rete elettrica, dove la stabilità è critica, questo rischio è inaccettabile. L’architettura a doppio strato risolve questo problema in modo elegante. Se l’agente dello strato superiore fallisce o non può generare un’uscita valida, il controller MPC dello strato inferiore non si disattiva. Invece, torna a utilizzare un insieme di parametri predefiniti e conservativi. Anche se questa “modalità sicura” potrebbe non essere ottimale, garantisce la stabilità del sistema. Questo assicura che un guasto nel componente di intelligenza artificiale non causi il collasso di tutto il sistema di controllo, una caratteristica vitale per qualsiasi infrastruttura critica.
Le implicazioni di questa ricerca sono profonde. Fornisce un piano per la prossima generazione di controller di rete intelligenti che sono non solo automatizzati, ma veramente intelligenti. Creando un sistema che può imparare, adattarsi e auto-ottimizzarsi, i ricercatori hanno fatto un passo significativo verso una rete elettrica con alta penetrazione di energie rinnovabili. L’integrazione di successo dei VE come risorsa di rete flessibile è la chiave per questo futuro. Questa strategia di controllo trasforma un potenziale fonte di instabilità in uno strumento potente di resilienza. Permette che gli stessi veicoli che spingono l’elettrificazione dei trasporti giochino anche un ruolo centrale nella stabilizzazione della rete che li alimenta. Il lavoro di Fan, Yang, Wen, Ke e Xie rappresenta un progresso significativo nel campo del controllo dei sistemi energetici, offrendo una soluzione robusta, adattabile e sicura per i complessi sistemi energetici del domani.
Peixiao Fan, Jun Yang, Yuxin Wen, Song Ke, Lilong Xie, School of Electrical and Automation, Wuhan University. Transactions of China Electrotechnical Society. DOI:10.19595/j.cnki.1000-6753.tces.222138