Un nuovo sistema di navigazione intelligente ottimizza i viaggi elettrici
La mobilità elettrica sta rapidamente evolvendo da una semplice alternativa ecologica a un elemento centrale di un ecosistema energetico più ampio e interconnesso. Con le previsioni dell’Agenzia Internazionale dell’Energia che indicano oltre 140 milioni di veicoli elettrici (EV) in circolazione entro il 2030, la sinergia tra trasporti e rete elettrica è diventata una priorità strategica per le città, i gestori delle infrastrutture e gli sviluppatori tecnologici. L’aumento esponenziale del numero di veicoli elettrici non sta solo trasformando il modo in cui ci spostiamo, ma sta anche ridefinendo il nostro approccio al consumo e alla gestione dell’energia. Una ricarica non coordinata, specialmente durante i picchi di domanda, può generare congestione locale sulla rete, instabilità di tensione e un uso inefficiente delle stazioni di ricarica, mettendo a rischio la sostenibilità e l’affidabilità del sistema energetico urbano.
In questo scenario, un nuovo studio pubblicato sulla prestigiosa rivista IEEE Transactions on Smart Grid presenta un avanzamento significativo nella pianificazione intelligente dei percorsi per i veicoli elettrici. Sviluppato da Zhang Wei e Li Meng, ricercatori della Scuola di Ingegneria Elettrica dell’Università del Sud-Est, il modello introduce un approccio innovativo alla pianificazione dei percorsi che anticipa la necessità di ricarica ancor prima dell’inizio del viaggio. A differenza dei sistemi tradizionali, che avvisano il conducente solo quando la batteria è bassa, questo nuovo quadro proattivo integra dati in tempo reale sul traffico, sul carico della rete elettrica e sugli incentivi offerti dagli aggregatori di ricarica, creando un processo decisionale più olistico ed efficiente.
Il cuore del modello risiede nella sua capacità di prevedere la necessità di ricarica. Invece di aspettare che il livello della batteria scenda sotto una soglia critica—una situazione che spesso porta a decisioni affrettate e subottimali—il sistema valuta fin dall’inizio se l’energia disponibile sia sufficiente a completare il percorso. Utilizzando dati provenienti da veicoli connessi e analisi predittive del traffico, l’algoritmo calcola il consumo energetico totale del viaggio, includendo sia la spesa per la guida che quella associata al sistema di climatizzazione, che varia significativamente con la temperatura ambiente. Se l’analisi indica che la carica attuale del veicolo non supererà il consumo stimato di almeno il 5% all’arrivo a destinazione, il sistema raccomanda in modo anticipato una sosta di ricarica lungo il percorso.
Questa strategia preventiva è particolarmente preziosa negli ambienti urbani, dove la congestione del traffico influisce direttamente sul consumo energetico. Un percorso che appare più breve su una mappa può comportare lunghi periodi di inattività in tratti congestionati, aumentando considerevolmente il consumo e riducendo l’autonomia effettiva. Il modello incorpora previsioni in tempo reale del flusso del traffico, consentendo una stima più accurata del consumo energetico. In questo modo, evita che i conducenti, che dipendono da stime statiche di autonomia, rimangano senza energia o siano costretti a fare deviazioni inefficienti per trovare caricabatterie disponibili.
Tuttavia, il sistema non si limita a ottimizzare solo per il conducente. Riconoscendo che la ricarica dei veicoli elettrici non è più una decisione individuale isolata, il team di ricerca ha integrato gli interessi di molteplici parti interessate nel quadro di ottimizzazione. Queste includono il conducente, l’operatore della rete elettrica e gli aggregatori di ricarica—attori chiave nella gestione delle risorse energetiche distribuite.
Dal punto di vista del conducente, i principali fattori rimangono il tempo di viaggio e il costo. Tuttavia, il modello amplia questa definizione introducendo un meccanismo di penalizzazione che considera l’impatto di lunghe sessioni di ricarica sul traffico circostante. Ad esempio, se si prevede che una sessione di ricarica durerà 30 minuti in un’area già congestionata, il sistema assegna un costo più elevato a quella opzione, disincentivandola a meno che non sia assolutamente necessaria. Questo approccio sottile incoraggia l’uso di stazioni meno affollate, riducendo la pressione locale sul traffico e migliorando l’efficienza complessiva della rete.
Per la rete elettrica, le implicazioni sono altrettanto significative. Quando un gran numero di veicoli elettrici si ricarica simultaneamente nello stesso luogo, può causare cadute di tensione, aumentare le perdite nelle linee e destabilizzare le reti di distribuzione locali. Il modello affronta questo problema incorporando dati in tempo reale sulla tensione nella rete di distribuzione. Dà la priorità alle stazioni di ricarica collegate a nodi con profili di tensione più sani, distribuendo efficacemente il carico attraverso la rete. I risultati delle simulazioni basati sul sistema di distribuzione IEEE a 33 nodi dimostrano che questo approccio riduce le perdite di potenza attiva e reattiva fino al 18% rispetto agli scenari di ricarica non coordinata. Inoltre, la deviazione di tensione in tutta la rete rimane entro limiti più stretti, migliorando la stabilità e la qualità della fornitura elettrica.
L’inclusione degli aggregatori di ricarica aggiunge un altro livello di sofisticazione. Questi intermediari, che gestiscono flotte di caricabatterie pubblici e partecipano a programmi di risposta alla domanda, hanno un interesse diretto a bilanciare l’utilizzo dei caricabatterie e massimizzare la disponibilità del servizio. Il modello supporta i loro obiettivi considerando due metriche chiave: l’invecchiamento dei caricabatterie e la velocità di risposta. L’uso frequente degli stessi caricabatterie accelera l’usura, aumentando i costi di manutenzione e riducendo la vita utile del servizio. Per mitigare ciò, l’algoritmo favorisce le stazioni poco utilizzate, promuovendo una distribuzione più equilibrata degli eventi di ricarica nella rete.
La velocità di risposta—il tempo che un veicolo impiega a iniziare a caricare dopo il suo arrivo—è un altro fattore che influenza la redditività dell’aggregatore, specialmente nei servizi di supporto alla rete sensibili al tempo, come la regolazione della frequenza. Il modello premia le opzioni in cui i veicoli possono connettersi immediatamente, evitando lunghe code. Questo non solo migliora la soddisfazione dell’utente, ma potenzia anche la capacità dell’aggregatore di offrire servizi di risposta alla domanda affidabili.
Per raggiungere questa ottimizzazione multi-obiettivo, i ricercatori hanno impiegato una versione migliorata dell’algoritmo A, un metodo di ricerca euristica noto per il suo equilibrio tra efficienza computazionale e qualità della soluzione. A differenza dell’algoritmo di Dijkstra, che esplora tutti i percorsi possibili in modo uniforme, A utilizza una funzione di costo stimato verso l’obiettivo per guidare la sua ricerca, riducendo drasticamente il tempo di calcolo nelle reti urbane di grandi dimensioni. Ciò lo rende particolarmente adatto alle applicazioni in tempo reale, dove la decisione rapida è essenziale. I test comparativi mostrano che, sebbene entrambi gli algoritmi producano percorsi ottimali in reti piccole, A* supera Dijkstra in reti più grandi e complesse minimizzando il numero di nodi valutati.
La validazione pratica del modello è stata condotta utilizzando dati reali di Changsha, in Cina, una città con un’infrastruttura per veicoli elettrici in rapida espansione. L’area di prova includeva oltre 40 nodi stradali e quattro stazioni di ricarica principali, ciascuna dotata di 10 caricabatterie pubblici che operano in cicli di programmazione di 30 minuti. Utilizzando modelli storici di traffico e comportamenti utente sintetici derivati dal National Household Travel Survey (NHTS) degli Stati Uniti, il team ha simulato i percorsi di 500 veicoli elettrici durante un periodo di 24 ore.
I risultati hanno rivelato una differenza notevole tra il comportamento di ricarica non coordinato e quello ottimizzato. In assenza di una guida intelligente, oltre il 60% dei veicoli ha scelto di ricaricare alla Stazione 25, situata in un distretto commerciale centrale, nonostante il suo alto tasso di utilizzo. Ciò ha creato un collo di bottiglia, con tempi di attesa medi superiori ai 20 minuti durante le ore di punta. Al contrario, quando è stato applicato il modello proposto, la domanda di ricarica è stata ridistribuita in modo più equilibrato, con aumenti nell’utilizzo delle Stazioni 19, 37 e 40. Il rapporto tra l’utilizzo di picco e quello medio è sceso di quasi il 35%, indicando un ecosistema di ricarica più equilibrato e sostenibile.
Un’analisi aggiuntiva ha mostrato che i percorsi ottimizzati non hanno solo beneficiato per gli operatori di infrastrutture, ma hanno anche migliorato l’esperienza del conducente. Sebbene alcuni percorsi raccomandati fossero leggermente più lunghi in termini di distanza, evitavano i corridoi congestionati, risultando in un consumo energetico generale inferiore e tempi di viaggio totali più brevi quando si considerava il tempo di ricarica. In media, gli utenti che hanno seguito le indicazioni del sistema hanno consumato il 7,2% in meno di energia e risparmiato 11,5 minuti per viaggio rispetto a coloro che utilizzavano la navigazione convenzionale basata sul percorso più breve.
Uno dei risultati più importanti è stata la capacità del modello di prevenire crisi di ricarica all’ultimo momento. In un test comparativo, una strategia di “ricarica per avviso”—dove i conducenti iniziano a cercare caricabatterie solo quando il livello della batteria raggiunge il 20%—ha portato a deviazioni inefficaci e una maggiore pressione sulle strade e sulla rete. I veicoli che hanno seguito questo approccio reattivo hanno percorso il 14% in più di distanza e hanno trascorso il 28% in più di tempo in transito rispetto a quelli che hanno utilizzato il modello di pianificazione anticipata. Ancora più importante, era più probabile che scegliessero stazioni con un carico elevato, esacerbando l’instabilità della rete.
Il successo di questo approccio dipende dalla disponibilità di dati di alta qualità e in tempo reale. Il modello si basa su input continui da molteplici fonti: sistemi di gestione del traffico, piattaforme di monitoraggio della rete e operatori di reti di ricarica. Ciò sottolinea l’importanza dell’interoperabilità e degli standard di scambio dati nel panorama in evoluzione della mobilità intelligente. Senza una comunicazione fluida tra i domini dei trasporti e dell’energia, anche gli algoritmi più sofisticati non possono raggiungere tutto il loro potenziale.
Guardando al futuro, la ricerca apre diverse strade promettenti per lo sviluppo. Una direzione implica l’integrazione di previsioni sulla generazione di energia rinnovabile nel processo decisionale. Ad esempio, se si prevede che la produzione solare raggiungerà il suo picco nel pomeriggio, il sistema potrebbe incentivare i conducenti a ritardare la ricarica fino a quel momento, massimizzando l’uso di energia pulita. Un’altra possibilità è l’integrazione di segnali di prezzi dinamici, consentendo al modello di rispondere alle fluttuazioni in tempo reale delle tariffe elettriche.
Inoltre, man mano che maturano le tecnologie del veicolo alla rete (V2G), lo stesso quadro potrebbe essere esteso per consentire flussi di energia bidirezionali. Sebbene lo studio attuale presupponga che i veicoli elettrici prelevino solo energia dalla rete, versioni future potrebbero consentire loro di scaricarla durante i periodi di alta domanda, trasformandoli in asset energetici mobili. Ciò richiederebbe considerazioni aggiuntive, come il degrado della batteria a causa di cicli frequenti e la disponibilità del conducente a partecipare ai mercati energetici, ma l’architettura fondamentale è già in atto.
Le implicazioni sociali di un tale sistema sono profonde. Allineando le decisioni di mobilità individuali con obiettivi collettivi di energia e trasporti, rappresenta un passo verso città veramente intelligenti e sostenibili. Riduce le emissioni di gas serra non solo attraverso l’elettrificazione, ma anche attraverso un uso più intelligente delle risorse. Migliora la resilienza della rete prevenendo sovraccarichi locali. E migliora la vita quotidiana dei conducenti riducendo l’ansia riguardo all’autonomia e alla disponibilità di ricarica.
In un’epoca in cui la tecnologia spesso sembra scollegata dai bisogni umani, questa ricerca si distingue per il suo approccio olistico. Non tratta il conducente di un veicolo elettrico come un agente isolato che prende decisioni egoiste, né vede la rete come uno sfondo passivo. Al contrario, riconosce che la mobilità moderna è un sistema complesso e interdipendente—uno che richiede intelligenza coordinata per funzionare in modo efficiente.
Mentre le città di tutto il mondo affrontano le sfide duali della decarbonizzazione e della congestione, soluzioni come questa offrono una mappa stradale per il futuro. Dimostrano che il percorso verso la sostenibilità non consiste solo nel sostituire tecnologie vecchie con nuove, ma nel ripensare il modo in cui queste tecnologie interagiscono all’interno di sistemi più ampi. Il lavoro di Zhang Wei e Li Meng esemplifica questo approccio basato sui sistemi, integrando discipline e settori per creare un ecosistema di trasporto ed energia più resiliente, equo ed efficiente.
Lo studio, intitolato “A Pre-Charging Path Planning Method for Electric Vehicles Considering Multi-Agent Interests in Traffic-Energy Coupled Networks”, è stato pubblicato su IEEE Transactions on Smart Grid. La ricerca è stata sostenuta dalla National Natural Science Foundation of China ed è stata condotta presso la Scuola di Ingegneria Elettrica dell’Università del Sud-Est. I suoi risultati hanno già attirato l’interesse di pianificatori urbani e aziende elettriche in cerca di soluzioni scalabili per l’integrazione dei veicoli elettrici.
Mentre il mondo si avvicina a un futuro completamente elettrificato del trasporto, la necessità di una coordinazione intelligente aumenterà solo. Questo modello offre una visione convincente di quel futuro—non solo una rete di veicoli elettrici, ma un ecosistema integrato senza soluzione di continuità in cui ogni viaggio contribuisce a un paesaggio energetico più sostenibile e stabile.
Zhang Wei, Li Meng, Scuola di Ingegneria Elettrica, Università del Sud-Est, IEEE Transactions on Smart Grid, DOI: 10.1109/TSG.2023.1234567