Un nuovo meccanismo di prezzo equilibra la ricarica rapida
Mentre le città di tutto il mondo accelerano la transizione verso la mobilità elettrica, una sfida critica emerge con sempre maggiore urgenza: la gestione dell’equilibrio spaziale della domanda di ricarica rapida. L’ascesa inarrestabile dei veicoli elettrici (VE) ha portato a un fenomeno familiare a molti utenti: la congestione. Alcune stazioni di ricarica, spesso situate in aree di alto traffico come centri commerciali o zone turistiche, si ritrovano sovraccariche con code interminabili, mentre altre, a pochi chilometri di distanza, operano ben al di sotto della loro capacità. Questa disomogeneità non solo frustra gli utenti, costretti ad attendere o a rinunciare alla ricarica, ma genera inefficienze per gli operatori, che perdono entrate, e crea picchi di carico pericolosi per la rete elettrica locale.
Per affrontare questo problema in modo innovativo e sistemico, un team di ricercatori della Southwest Jiaotong University e dell’Istituto di Ricerca Economica di State Grid Sichuan ha sviluppato un nuovo meccanismo di prezzo dinamico. Il loro approccio, basato sulla teoria dei giochi cooperativi, mira a trasformare la relazione tra le stazioni di ricarica da una competizione isolata a una cooperazione coordinata, con l’obiettivo di bilanciare la distribuzione della domanda di ricarica rapida su scala urbana. La ricerca, condotta da Yang Shuai, Dai Chaohua, Guo Ai e Ye Shengyong, è stata pubblicata nel prestigioso Automation of Electric Power Systems (DOI: 10.7500/AEPS20230614001), offrendo una soluzione che promette di migliorare l’esperienza dell’utente, aumentare i ricavi degli operatori e stabilizzare la rete.
Il cuore del meccanismo è un alleanza strategica tra le stazioni di ricarica, coordinata da un Operatore del Sistema di Distribuzione (DSO). Invece di impostare i prezzi in modo indipendente per massimizzare i profitti individuali, le stazioni collaborano sotto la guida del DSO. Il DSO agisce come un coordinatore centrale, raccogliendo dati in tempo reale sulla disponibilità delle stazioni, sulle code previste e sulle preferenze degli utenti. Quando un conducente esprime la necessità di ricaricare, può indicare la sua avversione al tempo di attesa, la sua disponibilità a fare un tragitto più lungo o la sua sensibilità al prezzo. Il DSO utilizza queste informazioni per calcolare un insieme di prezzi ottimizzati per tutte le stazioni della rete.
L’obiettivo è semplice ma potente: minimizzare la varianza del carico tra le stazioni. Questo viene ottenuto creando un differenziale di prezzo. Durante le ore di punta, le stazioni congestionate vedono il loro prezzo salire leggermente, mentre le stazioni meno frequentate offrono tariffe più basse. Questo incentivo economico guida una parte degli utenti a scegliere una stazione alternativa, riducendo la pressione sulla stazione affollata e aumentando l’utilizzo di quella sottoutilizzata. Il risultato è una rete di ricarica più fluida, con tempi di attesa più brevi e una capacità di servizio complessiva maggiore.
Dall’analisi del comportamento alla modellizzazione predittiva
Una delle forze trainanti di questo studio è la sua profonda radice nella realtà del comportamento umano e dei flussi di traffico urbano. I ricercatori non si sono limitati a modelli teorici; hanno costruito il loro framework su dati reali. Hanno utilizzato un’enorme quantità di dati anonimizzati provenienti da un servizio di ride-hailing a Chengdu, Cina, per creare una matrice Origine-Destinazione (OD) dettagliata. Questa matrice cattura con precisione le probabilità che un viaggiatore si sposti da una zona funzionale all’altra della città (residenziale, commerciale, lavorativa, ecc.) in diversi momenti della giornata.
Questa matrice OD è stata poi integrata con un modello di rete stradale e un modello velocità-flusso. Questo permette di simulare non solo dove le persone stanno andando, ma anche quanto tempo impiegheranno e quanto energia consumeranno per raggiungere la loro destinazione. Quando un VE ha bisogno di ricarica, il sistema può quindi prevedere con una certa accuratezza quando e dove si manifesterà questa necessità, basandosi su modelli di consumo energetico e di utilizzo del veicolo.
Per modellare la decisione finale del conducente sulla scelta della stazione di ricarica, il team ha adottato una versione modificata del modello di Huff, un concetto originariamente sviluppato per analizzare la scelta dei clienti tra diversi negozi. In questo contesto, l'”attrattiva” di una stazione di ricarica è determinata da una combinazione di fattori: la distanza, il tempo di attesa previsto, il prezzo del servizio e l’attrattività aggiuntiva (come la presenza di un’area di riposo, un caffè o un centro commerciale). Gli utenti possono, in teoria, assegnare un peso diverso a questi fattori in base alle loro preferenze personali. Un utente che detesta aspettare potrebbe essere disposto a pagare un po’ di più per una stazione vicina, mentre un altro, più flessibile, potrebbe scegliere una stazione più lontana ma con un prezzo più basso e nessuna coda. Questo modello sofisticato permette al sistema di offrire raccomandazioni di ricarica personalizzate, aumentando la probabilità che gli utenti seguano le indicazioni.
Il coordinatore: il ruolo chiave dell’Operatore del Sistema di Distribuzione (DSO)
Il successo di questo meccanismo dipende in modo cruciale dal DSO, che funge da arbitro e coordinatore neutrale. Il DSO non impone prezzi, ma facilita un gioco cooperativo tra gli operatori delle stazioni di ricarica. Il processo funziona in modo iterativo: il DSO riceve le strategie di prezzo proposte da ogni stazione, simula il comportamento degli utenti in risposta a questi prezzi e calcola la distribuzione risultante del carico. L’algoritmo continua a iterare, aggiustando i prezzi, finché non raggiunge un punto di equilibrio in cui nessun operatore può migliorare la propria situazione cambiando unilateralmente il proprio prezzo, e l’obiettivo di equilibrio del sistema (la varianza minima del carico) è soddisfatto.
Un aspetto geniale del sistema è la sua capacità di mantenere la cooperazione. Come si può convincere un operatore di una stazione sottoutilizzata a partecipare, o un operatore di una stazione di successo a non sentirsi svantaggiato? La risposta sta nella distribuzione dei profitti. Il meccanismo utilizza il valore di Shapley, un concetto della teoria dei giochi cooperativi, per distribuire i ricavi aggiuntivi generati dall’alleanza. Il valore di Shapley attribuisce a ciascun partecipante una quota di guadagno basata sul suo contributo marginale al successo collettivo. Per esempio, una stazione congestionata che accetta di aumentare leggermente il prezzo per deviare parte della sua domanda contribuisce significativamente a ridurre la congestione generale. Allo stesso modo, una stazione sottoutilizzata che abbassa il prezzo per attrarre nuovi utenti svolge un ruolo essenziale. Il valore di Shapley garantisce che entrambe ricevano una parte equa dei ricavi aggiuntivi, assicurando che ogni stazione guadagni di più di quanto farebbe operando in modo indipendente. Questo principio di “guadagno collettivo” è la chiave per la stabilità a lungo termine dell’alleanza.
Risultati della simulazione: un sistema in cui tutti vincono
Per testare la validità del loro modello, i ricercatori hanno condotto una simulazione dettagliata basata su un’area specifica di Chengdu. Lo scenario includeva cinque stazioni di ricarica rapida e 1.500 veicoli elettrici, con modelli di viaggio derivati dai dati reali di ride-hailing. I risultati sono stati impressionanti e dimostrano un chiaro vantaggio per tutti gli attori coinvolti.
In primo luogo, l’obiettivo principale, la riduzione della varianza del carico, è stato ampiamente superato. La varianza nell’utilizzo delle stazioni è stata ridotta dell’86,8%. Questo significa che la domanda di ricarica è stata distribuita in modo estremamente uniforme, eliminando i picchi di congestione.
In secondo luogo, l’esperienza dell’utente è migliorata drasticamente. Il tempo medio di attesa nelle stazioni più popolari, che superava i 10 minuti nello scenario di riferimento, è sceso a meno di 2 minuti. Una riduzione dell’80% trasforma completamente l’esperienza della ricarica rapida, rendendola molto più prevedibile e meno stressante.
Terzo, e forse controintuitivamente, i ricavi degli operatori di stazioni di ricarica sono aumentati. Nel complesso, i ricavi giornalieri sono cresciuti del 4,1%, da 8.640 yuan a 8.996,6 yuan. Questo aumento non proviene da un aumento dei prezzi medi, ma dal fatto che il sistema cattura una “domanda latente”. Sono gli utenti che, nello scenario non coordinato, avrebbero rinunciato a ricaricare a causa delle lunghe code. Con la possibilità di ricaricare in una stazione vicina a un prezzo più basso e senza attesa, questi utenti ora completano la loro ricarica, generando nuovi ricavi per il sistema.
Infine, il costo medio per l’utente è rimasto sostanzialmente invariato. Il sistema non costringe gli utenti a pagare di più; piuttosto, rialloca il costo. Gli utenti che scelgono di fare un tragitto più lungo per ottenere un prezzo più basso risparmiano denaro, mentre quelli che preferiscono la convenienza di una stazione vicina pagano un po’ di più, ma in cambio ottengono tempi di attesa quasi nulli. Il risultato netto è un sistema più efficiente e più equo.
Implicazioni per il futuro della mobilità urbana
Questa ricerca va ben oltre la semplice ottimizzazione della ricarica. Rappresenta un paradigma per una gestione intelligente e collaborativa dell’infrastruttura urbana. Le sue implicazioni sono ampie:
- Maggiore sostenibilità: Una rete di ricarica più equilibrata riduce il rischio di sovraccarichi locali, migliorando la stabilità della rete elettrica e riducendo la necessità di costosi potenziamenti delle infrastrutture.
- Efficienza economica: Aumentando l’utilizzo di tutte le stazioni, il modello migliora la sostenibilità economica dell’intera rete di ricarica, incoraggiando ulteriori investimenti.
- Un modello replicabile: Il principio di cooperazione coordinata potrebbe essere applicato ad altri servizi di mobilità condivisa, come il bike-sharing o il scooter-sharing, dove i problemi di distribuzione spaziale sono simili.
- Un nuovo ruolo per le autorità: Per le città e i regolatori, questo approccio offre un’alternativa al controllo diretto. Invece di imporre prezzi fissi, possono facilitare la creazione di queste alleanze cooperative, fornendo il quadro regolatorio e i dati necessari.
Sfide e prospettive future
Nonostante i risultati promettenti, il cammino verso l’implementazione su larga scala presenta ostacoli significativi. Il primo è la privacy dei dati. La raccolta di dati dettagliati sulla posizione e sulle abitudini di ricarica degli utenti richiede protocolli di anonimizzazione rigorosi e un consenso informato trasparente per garantire la fiducia pubblica.
La scalabilità è un’altra sfida. Il modello è stato testato con cinque stazioni, ma una grande metropoli può avere centinaia di punti di ricarica. L’algoritmo di gioco dovrà essere ottimizzato per gestire queste dimensioni massicce, probabilmente attraverso architetture di calcolo distribuito.
Infine, il successo dipende dall’adozione da parte degli utenti. Il meccanismo funziona solo se i conducenti seguono le raccomandazioni del DSO. L’integrazione fluida di queste raccomandazioni nelle app di navigazione e di ricarica che gli utenti già utilizzano sarà fondamentale per renderle la scelta più conveniente per default.
Conclusione: verso una rete di ricarica più intelligente e collaborativa
La transizione verso i veicoli elettrici non riguarda solo il motore, ma l’intero ecosistema che lo supporta. Il meccanismo di prezzo dinamico proposto da Yang Shuai, Dai Chaohua, Guo Ai e Ye Shengyong rappresenta un passo cruciale in questa direzione. Trasformando la concorrenza in cooperazione, dimostrano che è possibile creare un sistema di ricarica che sia più efficiente, più resiliente e più soddisfacente per tutti. Non si tratta di forzare gli utenti a fare scelte scomode, ma di offrire loro opzioni migliori, permettendo a ciascuno di trovare il proprio equilibrio tra costo, tempo e convenienza. Questo approccio intelligente e collaborativo è esattamente ciò di cui la mobilità urbana ha bisogno per affrontare i prossimi anni.
Yang Shuai, Dai Chaohua, Guo Ai, Ye Shengyong, Automation of Electric Power Systems, DOI: 10.7500/AEPS20230614001