Strategia di gioco ottimizza profitti V2G
La mobilità elettrica si sta trasformando rapidamente da un semplice mezzo di trasporto in un pilastro fondamentale del sistema energetico del futuro. I veicoli elettrici (EV), con le loro batterie di grandi dimensioni, non sono più solo destinati a spostare persone, ma stanno emergendo come una delle risorse di stoccaggio energetico distribuito più promettenti. Quando gestiti in modo intelligente da un aggregatore di veicoli elettrici (EVA), questi veicoli possono fornire servizi cruciali alla rete elettrica, come il livellamento dei picchi di carico, la regolazione della frequenza e l’integrazione delle energie rinnovabili intermittenti. Tuttavia, per sfruttare appieno questo potenziale, un ostacolo significativo deve essere superato: la volontà umana. Come si può convincere un proprietario di un’auto elettrica a permettere che la sua preziosa batteria venga utilizzata per supportare la rete, senza che ciò comprometta la sua comodità, la sua autonomia o la longevità della batteria?
Questa complessa sfida è al centro di una ricerca pionieristica pubblicata sulla prestigiosa rivista Transactions of China Electrotechnical Society. Lo studio, condotto da Fang Yuxuan, Hu Junjie e Ma Wenshuai del Laboratorio Nazionale Chiave dei Sistemi Elettrici Alternati con Fonti di Energia Rinnovabile presso la North China Electric Power University, propone un’innovativa strategia di ottimizzazione basata sulla teoria dei giochi. Il modello, noto come gioco di Stackelberg, va oltre i tradizionali approcci tecnico-economici e introduce per la prima volta un’analisi approfondita della psicologia del conducente, trasformando le “ansie” soggettive degli utenti in variabili quantificabili all’interno di un algoritmo. Il risultato è un framework che non solo massimizza i profitti per tutti gli attori coinvolti, ma lo fa in modo più sostenibile e rispettoso delle esigenze umane.
Il problema principale che affligge i programmi di Vehicle-to-Grid (V2G) è l’incertezza. Per partecipare con successo ai mercati dell’energia e fornire servizi di riserva, un EVA deve poter prevedere con precisione la quantità di capacità di carica e scarica che può aggregare dalla sua flotta di veicoli. Tuttavia, questa capacità dipende direttamente dalla decisione di ogni singolo proprietario. Un conducente potrebbe essere disposto a caricare il suo veicolo durante la notte, ma potrebbe esitare a permettere che il suo EVA lo scarichi parzialmente durante il pomeriggio, temendo di non avere abbastanza energia per un viaggio imprevisto. Questa esitazione, guidata da preoccupazioni reali, è stata un freno all’adozione su larga scala della tecnologia V2G. Gli approcci precedenti spesso trattavano gli utenti come unità omogenee e perfettamente razionali, portando a previsioni di partecipazione troppo ottimistiche e poco realistiche.
La vera innovazione del team di ricerca cinese sta nel modo in cui ha modellato queste preoccupazioni umane. Hanno sviluppato un “modello di ansia dell’utente” che si basa su due pilastri fondamentali: l’ansia per il degrado della batteria e l’ansia per la perdita di flessibilità nell’uso del veicolo.
La prima, l’ansia per il degrado della batteria, è una preoccupazione tangibile. Ogni ciclo di carica e scarica contribuisce all’invecchiamento delle celle agli ioni di litio. Anche se i produttori garantiscono una lunga vita utile, i proprietari sono consapevoli che un uso più intensivo, come la partecipazione a servizi di rete, può accelerarne il deterioramento. Il modello non si limita a calcolare il mero costo fisico del degrado, ma introduce un “coefficiente di esclusione psicologica”. Questo coefficiente, un valore maggiore di uno, funge da amplificatore che riflette la percezione soggettiva dell’utente. Un conducente può percepire il danno causato da un ciclo di scarica per il mercato della riserva come molto più dannoso di quanto non sia oggettivamente. Questo fattore soggettivo viene integrato direttamente nell’equazione dei costi, riconoscendo che la decisione non è puramente economica, ma anche emotiva. Il modello distingue tra il comportamento di carica normale (dove il veicolo si carica fino al 100% e poi si ferma) e il comportamento di carica aggiuntivo (dove il veicolo viene caricato e scaricato in modo attivo per fornire servizi di rete), e quantifica il costo aggiuntivo di questo comportamento, amplificandolo per la psicologia del conducente.
La seconda, l’ansia per la flessibilità nell’uso del veicolo, affronta la comodità del conducente. Il modello introduce una funzione che misura il costo psicologico di dover mantenere il veicolo collegato alla rete per un periodo più lungo del necessario. Si sposta dal tradizionale modello “collega e dimentica” a un modello “collega e aspetta”, dove l’utente sacrifica la libertà di scollegarsi in qualsiasi momento. Questa funzione di ansia aumenta con la durata di questa connessione prolungata. Il punto più significativo è che il modello non presuppone che tutti gli utenti reagiscano allo stesso modo. Per catturare questa diversità, i ricercatori introducono “fattori decisionali” che modulano la sensibilità della funzione. Un utente con un fattore decisionale basso è molto flessibile e può tollerare lunghi periodi di connessione, mentre un utente con un fattore alto è estremamente sensibile a qualsiasi perdita di controllo sul suo orario. Questo approccio differenziato consente di simulare una flotta di utenti eterogenea, riflettendo con maggiore precisione la realtà del mondo reale.
Per completare il quadro della presa di decisione umana, il modello incorpora un elemento cruciale: la razionalità limitata. Gli esseri umani non agiscono sempre in modo perfettamente razionale. Anche se il calcolo costi-benefici suggerisce che partecipare sia vantaggioso, un utente potrebbe decidere di non farlo per un presentimento negativo, un’esperienza negativa precedente o semplicemente un capriccio. Per simulare questa imprevedibilità, i ricercatori utilizzano una distribuzione binomiale. Questo significa che, per un gruppo di utenti con un profilo di ansia simile, il modello prevede una probabilità di partecipazione, non una certezza assoluta. Questo tocco di casualità evita che il modello sia troppo idealistico e lo rende più robusto di fronte alle fluttuazioni del comportamento reale.
Con questo sofisticato modello di utente in atto, i ricercatori costruiscono un quadro di gioco di Stackelberg, una struttura della teoria dei giochi che assomiglia a una relazione leader-seguace. L’aggregatore (EVA) agisce come leader, muovendosi per primo stabilendo il prezzo che pagherà agli utenti per la capacità di riserva (sia per ridurre la carica che per immettere energia). I proprietari dei veicoli elettrici sono i seguaci. Ognuno prende il prezzo offerto dall’EVA, lo confronta con il suo costo di ansia personale e decide, in modo probabilistico, se accettare di partecipare.
L’obiettivo dell’EVA è massimizzare il proprio profitto, che è la differenza tra il prezzo al quale vende la capacità di riserva al mercato della rete e il prezzo al quale la acquista dagli utenti. Se offre un prezzo troppo basso, pochi utenti parteciperanno e l’EVA non potrà offrire una capacità significativa. Se offre un prezzo troppo alto, molti utenti parteciperanno, ma il margine di profitto dell’EVA si ridurrà. Il prezzo ottimale si trova in un punto di equilibrio, e trovarlo richiede una profonda comprensione di come gli utenti risponderanno a diversi livelli di incentivo.
La soluzione non si trova in un singolo calcolo, ma attraverso un processo iterativo di feedback. L’EVA inizia con un prezzo iniziale. Il modello dell’utente simula la partecipazione basata su quel prezzo, calcolando la capacità di riserva totale disponibile. Con queste informazioni, l’EVA ricalcola la sua strategia di prezzo per massimizzare il suo profitto e offre un nuovo prezzo. Questo nuovo prezzo viene reinserito nel modello dell’utente, generando una nuova stima della partecipazione. Questo ciclo si ripete più e più volte. Con ogni iterazione, le decisioni dell’EVA e le risposte degli utenti si avvicinano sempre di più a un punto di equilibrio stabile, dove né l’EVA né gli utenti hanno un incentivo a cambiare la loro strategia. Questo equilibrio è la soluzione ottimale, un punto di incontro in cui gli interessi di entrambe le parti sono allineati.
La validità di questo approccio è stata testata attraverso una simulazione con una flotta di 150 veicoli elettrici, divisi in due scenari tipici: ricarica residenziale notturna e ricarica durante il giorno sul posto di lavoro. I risultati sono stati confrontati con due metodi di riferimento: una strategia di ricarica ordinata semplice e un algoritmo di ottimizzazione multi-obiettivo (MOPSO). I risultati sono stati rivelatori.
Il modello di gioco di Stackelberg ha superato i metodi di riferimento in tutti gli aspetti. Ha ottenuto un tasso di risposta del 32%, indicando un livello di partecipazione più alto. Più importante ancora, ha migliorato in modo significativo la redditività per entrambe le parti. I proprietari dei veicoli hanno visto i loro guadagni attesi dai servizi di riserva aumentare da 421 yuan (circa 52 euro) con il metodo MOPSO a 454 yuan (circa 56 euro) con il modello di gioco. Allo stesso tempo, i loro costi totali, inclusa l’elettricità e l’usura della batteria, sono diminuiti. Per l’aggregatore, il beneficio è stato ancora più pronunciato. Il suo guadagno atteso dal mercato della riserva è aumentato da 1.049 yuan a 1.240 yuan. Questo risultato dimostra in modo inequivocabile che un approccio più centrato sull’utente non è solo più giusto, ma anche più redditizio. Allineando meglio gli incentivi, si crea un sistema in cui tutti vincono.
Oltre all’economia, l’impatto sulla rete elettrica è stato sostanziale. Spostando intenzionalmente la ricarica dei veicoli dalle ore di punta alle ore di valle e permettendo lo scarico durante i picchi di domanda, il modello di gioco è riuscito a ridurre significativamente la differenza tra il carico massimo e minimo della giornata. Questo effetto di “livellamento dei picchi e riempimento delle valli” è cruciale per la stabilità della rete. Riduce la necessità di attivare costose centrali di punta, minimizza lo stress sull’infrastruttura e facilita l’integrazione di fonti di energia rinnovabile come il solare e l’eolico, la cui generazione non coincide sempre con la domanda. Un’auto elettrica che si carica con energia solare durante il giorno e restituisce parte di quell’energia alla rete la sera diventa un pilastro di un sistema energetico più resiliente.
L’implicazione più profonda di questo lavoro è un cambiamento di paradigma. Non si tratta più di vedere gli utenti come risorse passive da comandare, ma come agenti attivi con le loro preferenze, costi ed emozioni. Questo approccio umanizzato è essenziale per la sostenibilità a lungo termine della tecnologia V2G. Se gli utenti sentono che le loro esigenze sono ignorate o che stanno assumendo un costo sproporzionato, abbandoneranno il programma, facendo crollare il sistema. Integrando esplicitamente l’ansia dell’utente nel cuore del modello, i ricercatori hanno creato un quadro che è non solo più preciso, ma anche più etico e affidabile.
Lo studio rivela anche l’importanza della scala. I ricercatori hanno scoperto che la stabilità del tasso di partecipazione migliora con l’aumentare della dimensione della flotta. Con flotte piccole, le decisioni individuali casuali possono causare grandi fluttuazioni nel comportamento collettivo. Tuttavia, con flotte più grandi, di circa 100 veicoli o più, la legge dei grandi numeri livella queste fluttuazioni, rendendo il comportamento globale molto più prevedibile. Questo suggerisce che l’aggregazione di veicoli elettrici sarà più efficace a livello comunitario o urbano, piuttosto che attraverso programmi isolati e di piccole dimensioni.
In conclusione, la ricerca di Fang, Hu e Ma rappresenta un avanzamento significativo nell’intersezione tra la tecnologia dei trasporti, l’economia energetica e la psicologia del comportamento. Combinando la teoria dei giochi, la modellazione del comportamento e l’ottimizzazione, hanno creato uno strumento potente che rispetta l’autonomia dell’utente mentre massimizza i benefici collettivi. Man mano che il mondo si avvicina a un’era di mobilità completamente elettrica, questo approccio, che pone l’essere umano al centro del sistema energetico, sarà fondamentale per costruire una rete che non sia solo intelligente, ma anche veramente sostenibile ed equa.
Fang Yuxuan, Hu Junjie, Ma Wenshuai, State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources, North China Electric Power University. Transactions of China Electrotechnical Society. DOI: 10.19595/j.cnki.1000-6753.tces.230923