Un nuovo modello rivoluziona la rete di ricarica per auto elettriche
La mobilità elettrica è entrata in una fase decisiva della sua evoluzione. Dopo anni di crescita esponenziale, dominata da innovazioni nei veicoli, l’attenzione si sta spostando con forza sull’infrastruttura che li sostiene. Il vero collo di bottiglia per l’adozione di massa dei veicoli elettrici (EV) non è più la tecnologia della batteria o il prezzo d’acquisto, ma la disponibilità, l’efficienza e la resilienza della rete di ricarica. Un’infrastruttura mal pianificata, con stazioni sottoutilizzate in alcuni punti e congestione in altri, può frustrare gli utenti e frenare il passaggio al 100% elettrico. In questo contesto, una ricerca pionieristica condotta da Xu Wei, Lu Weijie e Chen Zhiqiang della Scuola di Gestione e Ingegneria dell’Università di Nanjing sta attirando l’attenzione globale per aver sviluppato un modello di ottimizzazione che promette di ridefinire il modo in cui le città e i pianificatori disegnano le loro reti di ricarica pubblica.
Il mercato dei veicoli elettrici cinesi è il più grande al mondo. Con oltre 13 milioni di unità circolanti alla fine del 2022, supportati da una rete di circa 5,2 milioni di punti di ricarica, la Cina ha dimostrato un impegno senza precedenti verso la decarbonizzazione del trasporto. Tuttavia, numeri impressionanti non sempre si traducono in un’esperienza utente ottimale. Il fenomeno delle “colonne fantasma”, stazioni di ricarica installate ma raramente utilizzate, è un problema reale, frutto di una pianificazione spesso basata su criteri superficiali come la disponibilità di terreno o l’accesso a sussidi governativi, piuttosto che su un’analisi approfondita del comportamento reale degli utenti e sulla domanda futura. La sfida non è più semplicemente costruire più colonnine, ma costruire le colonnine giuste, nel posto giusto, con la capacità giusta, e farlo in modo che la rete sia pronta a gestire l’incertezza del domani.
I modelli tradizionali di pianificazione delle stazioni di ricarica si sono storicamente basati su due paradigmi distinti, ognuno con i suoi limiti. Il primo è il modello di “domanda puntuale”. Questo approccio si concentra su utenti che ricaricano i loro veicoli in luoghi fissi, come casa, ufficio o centro commerciale. L’obiettivo è garantire che ogni utente abbia una stazione entro un certo raggio di servizio, minimizzando il numero di stazioni necessarie. È un modello efficace per le esigenze quotidiane, ma trascura completamente il bisogno di ricarica in viaggio. Il secondo paradigma è il modello di “domanda di flusso”, che si concentra sui viaggiatori che necessitano di una ricarica durante un percorso lungo. Questi modelli, come il noto “Modello di Localizzazione per la Cattura del Flusso” (FCLM), mirano a posizionare le stazioni lungo le principali arterie stradali per intercettare il maggior numero possibile di veicoli in transito. Tuttavia, questo approccio può trascurare le aree urbane densamente popolate dove la domanda puntuale è alta.
La vera innovazione del modello sviluppato dai ricercatori di Nanjing è la sua capacità di fondere questi due mondi. Hanno creato un framework unificato che considera simultaneamente la domanda puntuale e quella di flusso in un’unica funzione obiettivo. Questo non è un semplice esercizio di somma, ma una soluzione elegante a un problema fondamentale: le due tipologie di domanda hanno obiettivi incompatibili. Il modello puntuale cerca di minimizzare i costi, mentre quello di flusso cerca di massimizzare il traffico intercettato. Per rendere questi obiettivi comparabili, i ricercatori hanno riformulato il modello di flusso. Invece di massimizzare il flusso catturato, il loro modello richiede che tutto il flusso di traffico potenziale venga coperto, e lo fa minimizzando il costo totale dell’infrastruttura. Questa trasformazione permette di ottimizzare l’intera rete sotto un unico principio economico: soddisfare ogni possibile bisogno di ricarica al costo più basso possibile. Il risultato è una rete che è sia conveniente per l’utente medio che vive e lavora in città, sia affidabile per il viaggiatore che affronta un lungo percorso.
Un altro aspetto rivoluzionario del modello è la sua gestione dell’incertezza. Prevedere con precisione la domanda futura di ricarica è un’impresa ardua. I tassi di adozione degli EV, i progressi nelle tecnologie delle batterie, le politiche governative e persino i cambiamenti nei modelli di mobilità post-pandemia introducono un livello di volatilità significativo. Un piano basato su previsioni deterministiche, ovvero su valori di domanda fissi, è intrinsecamente rischioso. Se la domanda reale supera le stime, la rete sarà sovraccarica e gli utenti saranno delusi. Se è inferiore, si tratterà di un investimento costoso e mal utilizzato.
Per affrontare questo rischio, gli autori hanno adottato la “ottimizzazione robusta” (Robust Optimization, RO), una metodologia che sta diventando fondamentale nella pianificazione delle infrastrutture critiche. A differenza della programmazione stocastica, che richiede la conoscenza della distribuzione di probabilità delle variabili incerte, l’ottimizzazione robusta opera con insiemi di incertezza definiti. Il modello assume che la domanda reale in un punto qualsiasi si trovi all’interno di un intervallo specifico, ad esempio tra il valore previsto e un valore del 20% superiore. L’obiettivo è trovare una soluzione che sia fattibile anche nello scenario più sfavorevole, il cosiddetto “worst-case”. Questo approccio offre una garanzia di servizio: la rete funzionerà in modo affidabile anche se la domanda dovesse superare le aspettative. Inoltre, introduce un parametro chiave: il “budget di incertezza”, che consente ai pianificatori di regolare il livello di robustezza in base alla loro tolleranza al rischio e al loro budget disponibile.
L’applicazione pratica del modello è ulteriormente rafforzata dall’inclusione di vincoli operativi del mondo reale, un aspetto spesso trascurato nella ricerca accademica. Una delle limitazioni più critiche è la capacità di connessione della rete elettrica locale. Installare una stazione di ricarica rapida con più punti non è solo una questione di spazio; richiede una connessione elettrica sufficiente. In molte aree urbane, la rete di distribuzione esistente non può sostenere il carico aggiuntivo senza una costosa espansione, come l’installazione di nuovi trasformatori o linee di alimentazione. Il modello di Xu, Lu e Chen integra esplicitamente questo costo di espansione della rete elettrica nella funzione obiettivo. Ciò significa che l’algoritmo non sceglie semplicemente la posizione geograficamente ottimale, ma anche quella che è più sostenibile dal punto di vista energetico e finanziario. Evita così raccomandazioni che, sebbene teoricamente perfette, sarebbero economicamente impraticabili nella realtà.
La validità del modello è stata dimostrata attraverso due estesi studi di caso. Il primo si è concentrato sul distretto di Chaoyang a Pechino, una zona urbana densa con una complessa miscela di attività residenziali, commerciali e di trasporto. Utilizzando dati demografici e di traffico, i ricercatori hanno identificato 30 punti di domanda e 10 ubicazioni candidate per le stazioni di ricarica. La simulazione ha mostrato che il modello integrato selezionava sei ubicazioni, raggiungendo una copertura totale con un costo significativamente inferiore rispetto agli approcci tradizionali basati su un solo tipo di domanda. Un risultato chiave è stato che, considerando l’incertezza, il modello non aumentava necessariamente il numero di stazioni, ma incrementava la capacità (numero di punti di ricarica) nelle ubicazioni già selezionate. Questo suggerisce una strategia intelligente: investire nella capacità di punti strategici, piuttosto che disperdere l’infrastruttura.
Il secondo studio ha utilizzato una rete più grande e sintetica, con 80 punti di domanda e 35 ubicazioni candidate, per valutare le prestazioni del modello in condizioni più complesse. I risultati hanno confermato la superiorità dell’approccio integrato. Il modello ha ridotto i costi totali di pianificazione rispetto ai metodi convenzionali, dimostrando la sua scalabilità. Le analisi di sensibilità hanno rivelato che i benefici dell’integrazione sono più pronunciati quando la domanda puntuale e quella di flusso si sovrappongono geograficamente, una situazione comune nelle periferie urbane e nei corridoi di trasporto.
Il contributo di questa ricerca va oltre i confini della Cina. Sebbene il paese sia il mercato leader per i veicoli elettrici, le sfide della pianificazione dell’infrastruttura sono universali. Le città di Europa, Nord America e Asia affrontano problemi simili di congestione, equità di accesso e sostenibilità finanziaria. Il modello dell’Università di Nanjing offre un quadro metodologico rigoroso che può essere adattato a diversi contesti. Il suo approccio promuove un cambiamento di paradigma: da una pianificazione reattiva e frammentata a una strategia proattiva, olistica e basata sui dati.
Per i responsabili delle politiche pubbliche, il modello è uno strumento potente per l’allocazione efficiente dei fondi. Permette di prendere decisioni di investimento con una maggiore trasparenza e giustificazione tecnica, riducendo il rischio di sprecare risorse in progetti mal posizionati. Per gli operatori privati di infrastrutture, rappresenta un vantaggio competitivo massimizzando il ritorno sull’investimento e minimizzando il rischio di sottoutilizzo. La capacità di quantificare il compromesso tra costo e robustezza consente una gestione del rischio più informata.
Inoltre, il modello ha implicazioni importanti per la stabilità della rete elettrica. Considerando fin dall’inizio i vincoli di connessione, aiuta a evitare picchi di domanda non pianificati che potrebbero sovraccaricare i trasformatori locali. Questo facilita un’integrazione più fluida dei veicoli elettrici nel sistema energetico, sostenendo l’obiettivo più ampio di una transizione energetica sostenibile.
Il futuro della pianificazione dell’infrastruttura di ricarica è dinamico. La ricerca di Xu, Lu e Chen apre la strada a sviluppi ancora più avanzati. Una direzione promettente è l’estensione del modello a un quadro multi-fase, che consenta un investimento graduale man mano che cresce la domanda. Un’altra area di miglioramento sarebbe l’integrazione di modelli di comportamento dell’utente più realistici, che considerino fattori come il prezzo dell’elettricità, i tempi di attesa o la disponibilità a deviare dal percorso ottimale. L’integrazione di dati in tempo reale e algoritmi di apprendimento automatico potrebbe consentire un’adattamento continuo della rete alle condizioni mutevoli.
In conclusione, il lavoro di Xu Wei, Lu Weijie e Chen Zhiqiang rappresenta un progresso significativo nella pianificazione delle infrastrutture di trasporto sostenibile. Fondendo la domanda puntuale e quella di flusso all’interno di un quadro di ottimizzazione robusta e realistico, hanno creato uno strumento che non solo migliora l’efficienza tecnica, ma rafforza anche la resilienza e la sostenibilità economica delle reti di ricarica. La loro ricerca è un esempio di come la scienza della gestione e dell’ingegneria possa offrire soluzioni pratiche alle sfide più urgenti della nostra epoca. Mentre il mondo avanza verso un futuro a zero emissioni, modelli come questo saranno fondamentali per costruire le città intelligenti e sostenibili di cui abbiamo bisogno.
Xu Wei, Lu Weijie, Chen Zhiqiang, Scuola di Gestione e Ingegneria, Università di Nanjing. Pubblicato su Journal of Sustainable Transportation and Energy Systems, DOI: 10.3969/j.issn.2097-4558.2024.04.005.