Strategie di Offerta IA per Centrali Elettriche Virtuali
In un’epoca caratterizzata dall’urgente transizione verso le emissioni nette zero, l’integrazione di fonti rinnovabili e veicoli elettrici nei sistemi energetici rappresenta sia una necessità che una sfida. Se da un lato pannelli solari e veicoli elettrici promettono energia pulita e decentralizzata, la loro intrinseca variabilità comporta rischi significativi per la stabilità della rete. È in questo contesto che le centrali elettriche virtuali (VPP) emergono come aggregatori digitali in grado di coordinare risorse energetiche distribuite, fungendo da impianti di generazione dispatcabili. Una ricerca innovativa pubblicata su Power System Technology dimostra come il machine learning avanzato possa migliorare drasticamente l’accuratezza delle offerte e la redditività delle VPP nei mercati del giorno prima.
Guidato da Zhang Guoji e dal suo team del Key Laboratory of Cleaner Intelligent Control on Coal & Electricity presso l’Università di Tecnologia di Taiyuan, lo studio introduce un framework innovativo che combina la ricostruzione dello spazio delle fasi con la regressione di processo gaussiano (GPR) per prevedere lo “spazio di offerta” di una VPP composta da sistemi fotovoltaici, cluster di veicoli elettrici e sistemi di accumulo. Questa capacità predittiva consente agli operatori di presentare offerte più accurate e competitive, riducendo le costose deviazioni tra i volumi energetici programmati e quelli effettivamente scambiati – un problema comune nei mercati elettrici reali.
Il concetto di “spazio di offerta” è centrale nello studio. A differenza delle centrali tradizionali con curve di generazione fisse, la flessibilità operativa di una VPP è dinamica e variabile nel tempo. La sua capacità di acquistare o vendere energia in ogni ora specifica dipende dallo stato collettivo delle sue risorse: quanti veicoli elettrici sono collegati, il loro stato di carica, la produzione solare prevista e la capacità disponibile dei sistemi di accumulo. Questa envelope multidimensionale – che comprende limiti di potenza, vincoli energetici e restrizioni temporali – definisce l’intervallo operativo fattibile della VPP, o “spazio di offerta”. Prevedere con precisione questo spazio con 24 ore di anticipo è cruciale per formulare una strategia di mercato redditizia.
Storicamente, molti modelli hanno trattato la disponibilità dei veicoli elettrici e la generazione fotovoltaica come variabili indipendenti, ignorando le loro complesse interdipendenze temporali. Questa negligenza spesso porta a piani di offerta troppo ottimistici che non possono essere realizzati fisicamente, risultando in penalità finanziarie per gli squilibri. Il team di Zhang affronta questa lacuna trattando l’intero spazio di offerta come una serie temporale caotica – un sistema che appare casuale ma contiene strutture deterministiche nascoste. Applicando il teorema di embedding di Takens, ricostruiscono i dati storici unidimensionali in uno spazio delle fasi multidimensionale, “svelando” efficacemente l’attrattore che governa il comportamento del sistema. Questa tecnica, mutuata dalla dinamica non lineare, rivela modelli invisibili nei dati grezzi delle serie temporali.
Una volta ricostruito lo spazio delle fasi, i ricercatori implementano la regressione di processo gaussiano – un metodo di machine learning probabilistico e non parametrico particolarmente adatto per piccoli dataset e la quantificazione dell’incertezza. A differenza delle reti neurali profonde che richiedono enormi quantità di dati di addestramento e lunghi tempi di calcolo, la GPR fornisce non solo una previsione puntuale ma anche un intervallo di confidenza, consentendo decisioni consapevoli del rischio. Il modello viene addestrato su registri storici degli orari di connessione/scollegamento dei veicoli elettrici, della produzione fotovoltaica e degli stati di accumulo, imparando ad anticipare i limiti fattibili di potenza ed energia per ogni intervallo di 15 minuti del giorno successivo.
La vera innovazione, tuttavia, risiede nell’integrazione di queste previsioni nel processo di offerta di mercato. Il team ha sviluppato un framework di ottimizzazione a due stadi. Nella prima fase, ogni VPP agisce come un offerente strategico, mirando a minimizzare il costo netto dell’elettricità (o massimizzare il profitto) presentando curve prezzo-quantità che riflettono il suo spazio di offerta previsto. Crucialmente, questa fase modella l’interazione competitiva tra multiple VPP come un problema di equilibrio di Nash – ogni partecipante assume le strategie degli altri come fisse e ottimizza di conseguenza. Il risultato è un insieme di offerte sia economicamente razionali che fisicamente fattibili.
Nella seconda fase, un operatore di mercato simulato clearing il mercato utilizzando un meccanismo di prezzi marginali nodali (LMP), garantendo che il dispatch finale rispetti i vincoli di rete e l’equilibrio del sistema. Il modello penalizza le deviazioni tra l’offerta presentata dalla VPP e il programma despatchato, simulando le tariffe di squilibrio del mondo reale. Accoppiando strettamente gli strati di previsione e ottimizzazione, il framework garantisce che le offerte delle VPP siano non solo aggressive ma anche affidabili.
Per validare il loro approccio, i ricercatori hanno condotto simulazioni estese sul sistema di distribuzione RBTS a 38 nodi – un banco di prova standard negli studi sui sistemi energetici. Hanno configurato quattro distinte VPP in diverse posizioni di rete, ciascuna con mix unici di veicoli elettrici, fotovoltaico e accumulo. Utilizzando oltre 1.000 ore di dati reali di ricarica dei veicoli elettrici e generazione solare, hanno confrontato il loro modello GPR potenziato con lo spazio delle fasi con le tradizionali reti neurali backpropagation (BP) e una GPR baseline senza ricostruzione dello spazio delle fasi.
I risultati sono stati convincenti. Il metodo proposto ha costantemente superato entrambi i benchmark in termini di accuratezza predittiva, specialmente durante i periodi critici di transizione – come l’alba o i picchi serali di ricarica dei veicoli elettrici – dove si verificano rapidi cambiamenti nel carico netto. Ancora più importante, il miglioramento delle previsioni si è tradotto direttamente in benefici economici. Le VPP che utilizzano il nuovo modello hanno ridotto i costi di approvvigionamento elettrico del giorno prima fino al 7% rispetto a quelle che utilizzano reti BP. Hanno anche subito significativamente meno riduzioni da parte dell’operatore di mercato, il che significa che le loro offerte avevano maggiori probabilità di essere completamente accettate.
Un risultato particolarmente significativo è stata l’efficacia del modello anche con dati storici limitati. In scenari con soli 300 punti dati (circa 12 giorni di intervalli di 15 minuti), la GPR con spazio delle fasi ha raggiunto errori di previsione ben al di sotto della soglia del 10% che tipicamente innesca penalità di squilibrio in molti mercati elettrici. Questo rende l’approccio altamente pratico per i nuovi operatori VPP che mancano di una storia operativa estesa.
Oltre agli aspetti economici, lo studio evidenzia il valore strategico della ricarica bidirezionale dei veicoli elettrici. Quando ai veicoli elettrici è consentito scaricare energia nella rete (V2G), diventano potenti asset di flessibilità. Le simulazioni hanno mostrato che le VPP con flotte abilitate V2G potrebbero arbitrare le differenze di prezzo – caricando durante le ore notturne a basso costo e scaricando durante i picchi pomeridiani – riducendo così la dipendenza dalla rete principale e migliorando l’integrazione delle rinnovabili locali. Questa capacità è particolarmente preziosa nelle regioni con alta penetrazione solare, dove la generazione di mezzogiorno spesso supera la domanda locale, causando crolli dei prezzi, mentre i ramp serali mettono sotto stress i generatori convenzionali.
Le implicazioni per gli operatori di rete sono ugualmente significative. Man mano che più VPP adottano tali strategie di offerta intelligenti, la prevedibilità complessiva e la despacciabilità delle risorse distribuite migliorano. Ciò riduce la necessità di costose riserve rotanti e facilita una maggiore penetrazione delle rinnovabili senza compromettere l’affidabilità. Inoltre, allineando la ricarica dei veicoli elettrici alle esigenze della rete, l’approccio aiuta ad appiattire l’infame “curva a papera”, alleviando la pressione sugli impianti termici durante le rapide rampe serali.
Dal punto di vista politico, la ricerca sottolinea l’importanza di regole di mercato che premiano accuratezza e flessibilità. Gli attuali mercati elettrici spesso penalizzano gli squilibri ma forniscono incentivi limitati per previsioni precise. Il successo del modello di Zhang suggerisce che i regolatori potrebbero migliorare ulteriormente l’efficienza del mercato introducendo meccanismi che premiano le VPP per la presentazione di offerte affidabili – forse attraverso tariffe di squilibrio ridotte o diritti di dispatch prioritari.
Guardando avanti, il team riconosce che il dispiegamento nel mondo reale richiederà di affrontare ulteriori livelli di incertezza – non solo nella disponibilità delle risorse ma anche nel comportamento dei partecipanti al mercato e negli eventi meteorologici estremi. Il loro prossimo passo è sviluppare un modello di offerta robusto che tenga conto esplicitamente della natura stocastica dello spazio di offerta, potenzialmente utilizzando ottimizzazione robusta distributiva o programmazione stocastica basata su scenari.
Tuttavia, questo lavoro rappresenta un importante balzo in avanti nell’intelligenza operativa delle centrali elettriche virtuali. Fondendo concetti della teoria del caos, del machine learning e dell’economia di mercato, Zhang e i suoi colleghi hanno creato un framework sia teoricamente rigoroso che praticamente percorribile. Man mano che i mercati elettrici worldwide si evolvono per accogliere il futuro decentralizzato e decarbonizzato, tali innovazioni saranno indispensabili.
Per utility, aggregatori e policymaker allo stesso modo, il messaggio è chiaro: il futuro della flessibilità della rete non risiede solo in più batterie o inverter più intelligenti, ma in algoritmi più intelligenti che possano sbloccare il pieno potenziale delle risorse esistenti. E con questo studio, la strada da percorrere è diventata significativamente più chiara.
Autori: Zhang Guoji, Jia Yanbing, Han Xiaoqing, Zhang Ze
Laboratorio Chiave per il Controllo Intelligente Pulito su Carbone ed Elettricità, Università di Tecnologia di Taiyuan
Pubblicato su Power System Technology, Vol. 48, No. 9, settembre 2024
DOI: 10.13335/j.1000-3673.pst.2024.0234