Un nuovo modello ottimizza l’integrazione dei veicoli elettrici nella rete elettrica
La rapida diffusione dei veicoli elettrici (VE) sta trasformando il panorama della mobilità, ma pone anche sfide senza precedenti ai sistemi elettrici esistenti. Con milioni di nuovi dispositivi di carica che entrano in rete, la domanda di energia non è più statica, ma diventa un flusso dinamico, spesso imprevedibile, che minaccia la stabilità delle reti di distribuzione. Il problema non è solo la quantità di energia richiesta, ma il quando e il dove avviene la ricarica. Un approccio tradizionale, basato sull’ampliamento della capacità delle infrastrutture, sarebbe non solo estremamente costoso, ma anche inefficiente. La soluzione, sempre più evidente, risiede nell’intelligenza: nel trasformare questa nuova forma di carico da una minaccia in una risorsa. Un team di ricercatori cinesi ha compiuto un passo cruciale in questa direzione, sviluppando un modello di gestione che promette di bilanciare in modo ottimale l’efficienza economica con l’affidabilità del sistema, anche in presenza di un’ampia gamma di incertezze.
Un gruppo di studiosi provenienti dalla Tsinghua Shenzhen International Graduate School e da State Grid Zhejiang Electric Power ha presentato una soluzione rivoluzionaria in un recente studio pubblicato sulla prestigiosa rivista Automation of Electric Power Systems. Jinpeng Li, Yinliang Xu e i loro colleghi hanno sviluppato un modello di dispatching per l’integrazione di massa dei VE che affronta direttamente i punti deboli dei metodi tradizionali. Il loro approccio, basato su un concetto chiamato “restrizione di probabilità congiunta distribuzionalmente robusta” (DRJCC), offre uno strumento pratico e scalabile per gli operatori di rete che devono affrontare il futuro.
Il cuore del problema è la molteplicità delle fonti di incertezza. Non si tratta solo del comportamento degli automobilisti, con i loro orari di arrivo, partenza e le esigenze di carica variabili. Ci sono anche le fluttuazioni intrinseche delle energie rinnovabili, come il solare e l’eolico, la cui generazione non può essere pianificata con precisione. Inoltre, la domanda residenziale e commerciale convenzionale presenta anch’essa delle variazioni. Gestire tutte queste incertezze in modo congiunto è essenziale, poiché i loro effetti combinati possono provocare sovraccarichi sulle linee, cadute di tensione o una carenza di riserve per bilanciare il sistema, mettendo a rischio la stabilità dell’intera rete.
I metodi convenzionali per gestire questa incertezza hanno mostrato i loro limiti. L’ottimizzazione stocastica (SO) si basa sulla simulazione di numerosi scenari, il che può essere computazionalmente molto oneroso e, se si utilizzano pochi scenari, inesatto. D’altra parte, l’ottimizzazione robusta (RO) si concentra sul peggiore dei casi immaginabili, il che garantisce la sicurezza ma a un prezzo proibitivo, poiché il sistema opera in modo eccessivamente conservativo, acquistando riserve e limitando le risorse che raramente sono necessarie. Entrambi gli approcci falliscono nel fornire un controllo diretto sul livello di rischio che l’operatore è disposto ad accettare.
È qui che il nuovo modello DRJCC fa la differenza. A differenza dei metodi precedenti, che trattano le restrizioni di tensione, potenza e riserva in modo indipendente, il modello DRJCC le combina in un’unica restrizione di probabilità congiunta. Ciò significa che l’operatore di rete può specificare un livello di rischio globale per l’intero sistema, ad esempio, che tutte le condizioni operative siano soddisfatte simultaneamente con una probabilità del 95%. Questo approccio è più realistico, poiché riconosce che i guasti in diverse parti della rete spesso si verificano contemporaneamente, e permette una gestione del rischio molto più intuitiva ed efficiente.
Tuttavia, risolvere una restrizione di probabilità congiunta è matematicamente estremamente complesso, quasi impossibile nella pratica. L’innovazione fondamentale del team di Li e Xu sta nel modo in cui superano questo ostacolo. Utilizzano un metodo noto come “approssimazione ottimizzata di Bonferroni” (OBA), che trasforma questo problema intrattabile in un modello di programmazione quadratica mista intera, risolvibile con efficienza mediante software commerciale.
Il vero genio dell’approccio OBA, e ciò che lo distingue dalle approssimazioni più semplici, è che tratta il livello di rischio stesso come una variabile di decisione. Invece di assegnare un livello di rischio fisso a ciascun vincolo (ad esempio, 1,25% di rischio per ciascuno degli otto vincoli per un totale del 10%), il modello OBA permette all’algoritmo di ottimizzazione di determinare come distribuire quel rischio totale nel modo più economico. Può decidere, ad esempio, di accettare un rischio leggermente maggiore di una piccola fluttuazione di tensione se ciò permette di ridurre in modo significativo il costo di mantenere riserve di potenza, che sono molto più costose. Questa flessibilità dinamica è fondamentale per ridurre il conservatorismo innecessario e raggiungere un funzionamento più economico senza sacrificare la sicurezza.
“La capacità di ottimizzare il livello di rischio stesso è un cambiamento di paradigma”, ha spiegato Yinliang Xu, professore associato presso la Tsinghua Shenzhen International Graduate School e autore corrispondente dello studio. “Ci permette di trovare un compromesso molto più intelligente tra costo e affidabilità, qualcosa che i metodi precedenti non potevano fare”.
Per testare l’efficacia del loro modello, il team ha eseguito simulazioni approfondite su due reti di distribuzione standard modificate: la rete IEEE a 33 nodi e la più grande rete a 123 nodi. Queste reti includevano generatori distribuiti, stazioni di ricarica per VE e fonti di energia rinnovabile. Le incertezze sono state modellate utilizzando dati storici e adattate con modelli di mistura gaussiana (GMM), una potente tecnica statistica per catturare distribuzioni di probabilità complesse e multimodali che rispecchiano la realtà.
I risultati sono stati conclusivi. Rispetto a un modello di ottimizzazione stocastica (SO) che, sebbene più economico in termini di costo nominale, aveva un’affidabilità media inferiore al 15%, il modello OBA ha raggiunto un’affidabilità superiore al 96% con un costo operativo significativamente inferiore rispetto ai metodi robusti. In un confronto diretto con un modello che utilizza un’approssimazione di Bonferroni standard (BA), il modello OBA ha ottenuto una riduzione dei costi di circa il 6,5%, mantenendo allo stesso tempo un alto livello di affidabilità. Questo risparmio, su reti su larga scala, rappresenta milioni di euro.
Un aspetto cruciale del modello è la sua scalabilità. Nella rete a 123 nodi, con oltre 4.400 veicoli elettrici connessi, il tempo di calcolo per il modello OBA è stato di soli 20 secondi. Quando il numero di VE è aumentato a 10.000, il tempo di risoluzione è cresciuto in modo modesto, dimostrando che il modello è fattibile per un’implementazione in tempo reale in reti urbane complesse. Questa efficienza computazionale è fondamentale per la sua adozione pratica da parte delle aziende elettriche.
“La velocità di calcolo è un fattore decisivo”, ha affermato Hua Feng, ingegnere principale di State Grid Zhejiang Lishui Power Supply Company e coautore dello studio. “Molti modelli teorici diventano inviabili quando vengono applicati a reti del mondo reale. Il nostro approccio, aggregando flotte di VE e utilizzando l’approssimazione OBA, evita il problema della dimensionalità e lo rende applicabile”.
Oltre alla riduzione dei costi, il modello ha dimostrato una capacità eccezionale per compiti operativi chiave. È stato in grado di eseguire con successo la gestione dei picchi di carico (peak shaving), spostando strategicamente la ricarica dei VE dai periodi di massima domanda e prezzo elevato verso periodi di carico inferiore. Questo non solo riduce i costi energetici, ma allevia anche lo stress su trasformatori e linee, aumentando la vita utile dell’infrastruttura.
Il modello ha anche integrato in modo nativo la fornitura di servizi ausiliari, come la riserva di potenza per compensare le fluttuazioni della generazione rinnovabile. Ha ottimizzato l’acquisto di riserve da generatori convenzionali e dagli aggregatori di VE stessi, garantendo che ci fosse capacità sufficiente per mantenere l’equilibrio del sistema. Questo trasforma i VE, attraverso i loro aggregatori, in partner attivi nella gestione della rete, non solo in consumatori passivi.
Xiaogang Chen, ingegnere principale di State Grid Zhejiang, ha sottolineato l’applicabilità pratica: “Gli operatori di rete hanno bisogno di strumenti che siano non solo teoricamente solidi, ma anche implementabili. Questo modello offre un chiaro compromesso tra costo e affidabilità, essenziale per il processo decisionale in condizioni di incertezza. Possiamo specificare il nostro livello di rischio desiderato, diciamo un 5% di probabilità di violazione dei vincoli, e il modello ci fornirà una strategia ottimale che soddisfi tale obiettivo”.
Un’altra caratteristica innovativa è la separazione delle incertezze in due categorie: il carico netto (esclusa la ricarica dei VE) e il carico dei VE stessi. Questa modellizzazione a due livelli riflette la realtà che diverse fonti di incertezza influenzano diverse parti del sistema e appartengono a diversi attori. La tensione nei nodi è più influenzata dal carico netto, mentre la riserva necessaria in una stazione di ricarica deriva direttamente dal comportamento dei VE. Questa separazione permette una gestione del rischio più precisa e un’assegnazione delle responsabilità più chiara tra l’operatore di rete e l’aggregatore di VE.
La robustezza del modello è ulteriormente rafforzata dalla sua natura “distribuzionalmente robusta”. Invece di assumere una specifica distribuzione di probabilità per le incertezze (il che potrebbe essere errato se le condizioni cambiano), il modello considera una famiglia di distribuzioni possibili basate su momenti noti (come media e varianza). Questo lo rende più resistente agli errori nella stima della distribuzione e più adatto a condizioni del mondo reale.
In un’applicazione pratica, questo modello potrebbe essere integrato nei sistemi degli aggregatori di veicoli elettrici. Questi aggregatori agiscono come intermediari, raggruppando migliaia di VE individuali per formare una “centrale virtuale” che può partecipare ai mercati energetici e ai servizi ausiliari. Il framework DRJCC-OBA permetterebbe a questi aggregatori di presentare offerte più precise e affidabili, sostenute da una rigorosa garanzia probabilistica, aumentandone così la credibilità e la redditività.
Lo studio sottolinea anche l’importanza della coordinazione. Durante i giorni di sole, l’eccesso di generazione solare può essere indirizzato alla ricarica dei VE, riducendo lo spreco di energia. Inversamente, quando la generazione solare cala improvvisamente, i VE con le batterie cariche potrebbero, in un futuro con la tecnologia V2G (Vehicle-to-Grid), fornire energia di riserva per aiutare a stabilizzare la frequenza e la tensione.
Nonostante i suoi punti di forza, i ricercatori riconoscono alcune limitazioni. Il modello attuale non affronta esplicitamente l’impatto dell’invecchiamento delle batterie a causa dei cicli frequenti di carica e scarica, né la possibile discrepanza tra la distribuzione stimata e la vera distribuzione sottostante. Questi sono argomenti per future ricerche.
In sintesi, il lavoro di Li, Xu, Feng, Chen, Zhan e Zhang rappresenta un progresso significativo nell’integrazione intelligente dei veicoli elettrici. Combinando teoria avanzata di ottimizzazione con considerazioni pratiche di ingegneria, hanno sviluppato uno strumento che è matematicamente elegante e, cosa più importante, operativamente praticabile. Man mano che il mondo si muove verso una mobilità elettrificata, innovazioni come questa saranno essenziali per garantire che la nostra rete elettrica rimanga stabile, efficiente e resiliente.
Jinpeng Li, Hua Feng, Xiaogang Chen, Hanbing Zhan, Zhenbin Zhan, Yinliang Xu, Automation of Electric Power Systems, DOI: 10.7500/AEPS20230830009